• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Workshop on Machine Learning in Medical Imaging >3D Segmentation in CT Imagery with Conditional Random Fields and Histograms of Oriented Gradients
【24h】

3D Segmentation in CT Imagery with Conditional Random Fields and Histograms of Oriented Gradients

机译：CT图像中的3D分段，条件随机字段和面向梯度的直方图

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper we focus on the problem of 3D segmention in volumetric computed tomography imagery to identify organs in the abdomen. We propose and evaluate different models and modeling strategies for 3D segmentation based on traditional Markov Random Fields (MRFs) and their discriminative counterparts known as Conditional Random Fields (CRFs). We also evaluate the utility of features based on histograms of oriented gradients or HOG features. CRFs and HOG features have independently produced state of the art performance in many other problem domains and we believe our work is the first to combine them and use them for medical image segmentation. We construct 3D lattice MRFs and CRFs, use variational message passing (VMP) for learning and max-product (MP) inference for prediction in the models. These inference and learning approaches allow us to learn pairwise terms in random fields that are non-submodular and are thus very flexible. We focus our experiments on abdominal organ and region segmentation, but our general approach should be useful in other settings. We evaluate our approach on a larger set of anatomical structures found within a publicly available liver database and we provide these labels for the dataset to the community for future research.
机译：在本文中，我们专注于体积计算断层摄影图像中的3D区分的问题，以识别腹部的器官。我们提出并评估了基于传统马尔可夫随机字段（MRFS）的3D分割的不同模型和建模策略及其称为条件随机字段（CRF）的鉴别对应物。我们还根据面向梯度或猪特征的直方图评估功能的效用。 CRF和Hog功能在许多其他问题域中独立产生了最新的艺术表现状态，我们相信我们的工作是第一个结合它们并将它们用于医学图像分割的工作。我们构建3D格MRFS和CRFS，使用变化消息通过（VMP）来学习和最大产品（MP）推断模型中的预测。这些推理和学习方法允许我们在非子模块的随机字段中学习成对术语，因此非常灵活。我们将我们的实验集中在腹部器官和区域细分中，但我们的一般方法应该在其他环境中有用。我们在公开的肝脏数据库中发现的更大的解剖结构上评估我们的方法，我们为社区提供了这些标签，以备将来的研究。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号