IEEE transactions on medical imaging · 2026

Неконтролируемая сегментация мозга с использованием постериорных дистрибьюторов, полученных с помощью подпространственной генерирующей модели.

СтатьяНазвание и аннотация: Машинный перевод · не проверен

Обработка статьи · этапы, ошибки и управление

Загрузка состояния…

История · было → стало

Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.

Zhuang Huixiang, Guan Yue, Ding Yi, Xu Chang, Cheng Zijun, Ma Yuhao, Liu Ruihao, Meng Ziyu, Cao Li, Li Yao, Liang Zhi-Pei

Аннотация

Сегментация неконтролируемого повреждения мозга, сосредоточенная на изучении нормативного распределения на основе изображений здоровых предметов, в меньшей степени зависит от данных с маркировкой повреждений, что свидетельствует о более эффективных возможностях обобщения. Одна из основных задач в изучении нормативного распределения изображений заключается в высокой размерности, если пиксели изображений рассматриваются как коррелятивные случайные переменные для улавливания пространственной зависимости. В этом исследовании мы предложили подпространственную глубоко-генеративную модель для изучения задних обычных распределений. В частности, мы использовали вероятностные подпространственные модели для регистрации пространственно-интенсивного распределения и пространственно-структурного распределения изображений мозга от здоровых объектов. Эти модели позволяют эффективно учитывать предыдущие пространственно-интенсивные и пространственные изменения структуры, рассматривая подпространственные коэффициенты в качестве случайных переменных, при этом базовыми функциями являются эйген-имагии и функции эйген-плотности, извлеченные из учебных данных. Затем эти предварительные дистрибьюторы были преобразованы в запчасти, включая как распределение задних обычных, так и задних повреждений для данного изображения с использованием подпространственной динамической модели и байезийского анализа, соответственно. И наконец, неконтролируемый классификатор синтеза использовался для сочетания задних и вероятностных характеристик сегментации повреждений. Предлагаемый метод оценивался на основе смоделированных и реальных данных о повреждениях, включая опухоль, множественный склероз и инсульт, что свидетельствует о высокой точности сегментации и надежности самых современных методов. Наш предлагаемый метод обещает улучшить неконтролируемое разграничение повреждений мозга в клинических прикладных целях.

Оригинал публикации

Unsupervised Brain Lesion Segmentation Using Posterior Distributions Learned by Subspace-Based Generative Model.

Unsupervised brain lesion segmentation, focusing on learning normative distributions from images of healthy subjects, are less dependent on lesion-labeled data, thus exhibiting better generalization capabilities. A fundamental challenge in learning normative distributions of images lies in the high dimensionality if image pixels are treated as correlated random variables to capture spatial dependence. In this study, we proposed a subspace-based deep generative model to learn the posterior normal distributions. Specifically, we used probabilistic subspace models to capture spatial-intensity distributions and spatial-structure distributions of brain images from healthy subjects. These models captured prior spatial-intensity and spatial-structure variations effectively by treating the subspace coefficients as random variables with basis functions being the eigen-images and eigen-density functions learned from the training data. These prior distributions were then converted to posterior distributions, including both the posterior normal and posterior lesion distributions for a given image using the subspace-based generative model and subspace-assisted Bayesian analysis, respectively. Finally, an unsupervised fusion classifier was used to combine the posterior and likelihood features for lesion segmentation. The proposed method has been evaluated on simulated and real lesion data, including tumor, multiple sclerosis, and stroke, demonstrating superior segmentation accuracy and robustness over the state-of-the-art methods. Our proposed method holds promise for enhancing unsupervised brain lesion delineation in clinical applications.

Предметные рубрики MeSH

Humans Brain Unsupervised Machine Learning Magnetic Resonance Imaging Brain Neoplasms Algorithms Image Interpretation, Computer-Assisted Bayes Theorem

Неконтролируемая сегментация мозга с использованием постериорных дистрибьюторов, полученных с помощью подпространственной генерирующей модели.

Ошибки и ограничения

Аннотация

Unsupervised Brain Lesion Segmentation Using Posterior Distributions Learned by Subspace-Based Generative Model.

Предметные рубрики MeSH