• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>other >Multi-atlas Learner Fusion: An efficient segmentation approach forlarge-scale data
【2h】

Multi-atlas Learner Fusion: An efficient segmentation approach forlarge-scale data

机译：多图集学习者融合：一种有效的分割方法大规模数据

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We propose Multi-atlas learner fusion (MLF), a framework for rapidly and accurately replicating the highly accurate, yet computationally expensive, multi-atlas segmentation framework based on fusing local learners. In the largest whole-brain multi-atlas study yet reported, multi-atlas segmentations are estimated for a training set of 3,464 MR brain images. Using these multi-atlas estimates we (1) estimate a low-dimensional representation for selecting locally appropriate example images, and (2) build AdaBoost learners that map a weak initial segmentation to the multi-atlas segmentation result. Thus, to segment a new target image we project the image into the low-dimensional space, construct a weak initial segmentation, and fuse the trained, locally selected, learners. The MLF framework cuts the runtime on a modern computer from 36 hours down to 3-8 minutes – a 270× speedup – by completely bypassing the need for deformable atlas-target registrations. Additionally, we: (1) describe a technique for optimizing the weak initial segmentation and the AdaBoost learning parameters, (2) quantify the ability to replicate the multi-atlas result with mean accuracies approaching the multi-atlas intra-subject reproducibility on a testing set of 380 images, (3) demonstrate significant increases in the reproducibility of intra-subject segmentations when compared to a state-of-the-art multi-atlas framework on aseparate reproducibility dataset, (4) show that under the MLF framework the large-scaledata model significantly improve the segmentation over the small-scale model under the MLFframework, and (5) indicate that the MLF framework has comparable performance asstate-of-the-art multi-atlas segmentation algorithms without using non-localinformation.
机译：我们提出了多图集学习者融合（MLF），该框架可用于快速而准确地复制基于融合本地学习者的高精度但计算量大的多图集分割框架。在迄今报道的最大的全脑多图集研究中，估计了3,464张MR脑图像训练集的多图集分割。使用这些多图集估计，我们（1）估计用于选择局部合适的示例图像的低维表示，并且（2）构建将弱初始分割映射到多图集分割结果的AdaBoost学习器。因此，为了分割一个新的目标图像，我们将图像投影到低维空间中，构造一个弱的初始分割，并融合受过训练的，本地选择的学习者。 MLF框架完全避开了对可变形地图集目标的注册需求，从而将现代计算机上的运行时间从36小时缩短为3-8分钟，即270倍加速。此外，我们：（1）描述一种用于优化弱初始细分和AdaBoost学习参数的技术，（2）量化复制多图集结果的能力，其平均准确度在测试中接近多图集受试者内部的可重复性一组380张图像，（3）证明与传统的多图集框架相比，主题内细分的可重复性显着提高单独的可重复性数据集，（4）表明在MLF框架下，大规模数据模型比MLF下的小规模模型显着改善了细分（5）表明MLF框架的性能与最先进的多图集分割算法，无需使用非本地信息。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

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