医学图像分割方法：从大脑到膝盖肌肉的创新探索

### 医学图像分割方法：从大脑到膝盖肌肉的创新探索 在医学图像分析领域，准确的图像分割对于疾病诊断和治疗规划至关重要。本文将介绍两种不同的医学图像分割方法，一种是基于多图谱的置信引导顺序标签融合的大脑结构分割方法，另一种是用于膝关节伸肌和屈肌的概率多形状分割方法。 #### 基于多图谱的置信引导顺序标签融合的大脑结构分割 在大脑结构分割中，研究人员使用了六种基于多图谱标签融合的分割算法，并通过Dice重叠率来衡量分割性能。Dice重叠率的计算公式为： \[Dice(S_a, S_b) = \frac{2|S_a \cap S_b|}{|S_a| + |S_b|}\] 其中，\(S_a\)和\(S_b\)分别表示两个分割结果，\(\cap\)表示两个分割结果的重叠体素，\(|S_a|\)表示对应分割结果的体素数量。 从实验结果来看，SC - MV和SC - LWV在所有感兴趣区域（ROIs）上分别持续提高了MV和LWV的性能。例如，在‘L枕叶’ROI上，SC - MV将重叠率从MV的0.650提高到0.697，SC - LWV将重叠率从LWM的0.669提高到0.713。大多数情况下，C - MV和C - LWV分别优于MV和LWV，但在所有情况下都不如SC - MV和SC - LWV。这表明在ROI分割中使用置信引导顺序标签的重要性。此外，基于LWV的方法（LWV、C - LWV和SC - LWV）通常优于相应的基于MV的方法（MV、C - MV和SC - MV），这与之前的研究结果一致。 为了总结所有32个ROI的分割准确性，研究人员给出了六种算法结果的箱线图。结果显示，SC - MV和SC - LWV分别显著提高了MV和LWV的分割性能，而C - MV和C - LWV仅比基线方法（MV和LWV）略有改进。具体来说，MV、C - MV、SC - MV、LWV、C - LWV和SC - LWV的平均Dice重叠率分别为0.730、0.736、0.758、0.746、0.751和0.772。配对t检验的显著性测试表明，所提出的SC - MV和SC - LWV的结果在95%的显著性水平上分别显著优于MV和LWV，验证了所提出的顺序标签融合方法的有效性。 以下是不同算法平均Dice重叠率的表格： | 算法 | 平均Dice重叠率 | | ---- | ---- | | MV | 0.730 | | C - MV | 0.736 | | SC - MV | 0.758 | | LWV | 0.746 | | C - LWV | 0.751 | | SC - LWV | 0.772 | #### 膝关节伸肌和屈肌的概率多形状分割 对于患有慢性阻塞性肺疾病（COPD）的患者，下肢骨骼肌无力较为常见，分析这些肌肉的形状和大小有助于更有效的治疗。然而，由于许多区域缺乏图像信息，将这些肌肉相互分割是一项具有挑战性的任务。 研究人员提出了一种全自动分割方法，该方法通过实施多区域形状先验来确保分割的可行性，并提供能量最小化的概率分割，以指示不确定区域。具体步骤如下： 1. **ILR变换**：将概率分割表示为函数\(q : \Omega \to S_R\)，其中\(\Omega\)是图像域，\(S_R\)是所有有效长度为\(R = 12\)的概率向量的单纯形（11块肌肉和背景）。定义函数\(\varphi : S_R \to R^{R - 1}\)，将概率向量双射映射到实数向量，从而将概率分割表示为\(\eta = \varphi \circ q : \Omega \to R^{R - 1}\)。这样，分割空间（ILR空间）在线性组合下是封闭的，允许在训练分割上进行主成分分析（PCA），而无需约束以确保结果具有有效的概率（总和为1）。ILR变换的定义为： \[\varphi(p) = [\langle p, e_1 \rangle_a, \ldots, \langle p, e_{R - 1} \rangle_a] \in R^{R - 1}\] 其中，\(\langle p, q \rangle_a\)是Aitchison内积，\(e_i\)是基于Aitchison内积定义的\(S_R\)的一组基。 2. **