Lesion identification using unified segmentation-normalisation models and fuzzy clustering.
Lesion identification using unified segmentation-normalisation models and fuzzy clustering.
复制标题
DOI：
10.1016/j.neuroimage.2008.03.028
复制
发表时间：
2008-07-15
期刊：
影响因子：
5.7
通讯作者：
Price CJ
中科院分区：
文献类型：
--
作者：
Seghier ML;Ramlackhansingh A;Crinion J;Leff AP;Price CJ
在本文中，我们提出了一个新的自动化程序，以基于离群体素的检测来从单个图像中识别病变识别。我们使用人工病变证明了此过程的实用性。该方案基于两项创新：首先，我们扩大了用于组合分割和标准化图像的生成模型，以及非典型组织类别的经验先验，可以迭代地进行优化。其次，我们采用模糊的聚类程序来识别归一化灰色和白色质量段中的离群体体。这两个进步分别抑制了对体素的错误分类，并分别限制了病变鉴定对灰色/白质病变。我们的分析表明，具有不同大小，位置和纹理的检测和描述脑损伤的敏感性很高。我们的方法对特定人群的病变重叠图和病变缺陷映射的评估具有重要意义。从临床角度来看，我们的方法应有助于计算病变的总数或追踪可能与手术或诊断目的有关的精确病变边界。
In this paper, we propose a new automated procedure for lesion identification from single images based on the detection of outlier voxels. We demonstrate the utility of this procedure using artificial and real lesions. The scheme rests on two innovations: First, we augment the generative model used for combined segmentation and normalization of images, with an empirical prior for an atypical tissue class, which can be optimised iteratively. Second, we adopt a fuzzy clustering procedure to identify outlier voxels in normalised gray and white matter segments. These two advances suppress misclassification of voxels and restrict lesion identification to gray/white matter lesions respectively. Our analyses show a high sensitivity for detecting and delineating brain lesions with different sizes, locations, and textures. Our approach has important implications for the generation of lesion overlap maps of a given population and the assessment of lesion-deficit mappings. From a clinical perspective, our method should help to compute the total volume of lesion or to trace precisely lesion boundaries that might be pertinent for surgical or diagnostic purposes.
登录
查看更多内容
影响因子：
4.4
作者：
Ashton, EA;Takahashi, C;Ekholm, S
通讯作者：
Ekholm, S
影响因子：
3.4
作者：
Dronkers, NF;Wilkins, DP;Jaeger, JJ
通讯作者：
Jaeger, JJ
影响因子：
5.7
作者：
Crinion J;Ashburner J;Leff A;Brett M;Price C;Friston K
通讯作者：
Friston K
影响因子：
7.6
作者：
Hou Z
通讯作者：
Hou Z
影响因子：
5.7
作者：
Diedrichsen, Jorn
通讯作者：
Diedrichsen, Jorn