Optimal weights for multi-atlas label fusion.
Optimal weights for multi-atlas label fusion.
复制标题
DOI：
10.1007/978-3-642-22092-0_7
复制
发表时间：
2011
期刊：
影响因子：
--
通讯作者：
Yushkevich, Paul
中科院分区：
文献类型：
--
作者：
Wang, Hongzhi;Suh, Jung Wook;Pluta, John;Altinay, Murat;Yushkevich, Paul
基于多图谱的图像分割在医学图像分析中得到了广泛的应用。对于标签融合，以前的研究表明，基于图像相似性的局部加权技术产生最准确的结果。然而，这些方法忽略了由不同地图集产生的结果之间的相关性。此外，它们依赖于预先选择的加权模型和特设方法来选择模型参数。我们提出了一种新的标签融合方法来解决这些限制。我们制定的直接目的是减少期望的组合误差，可以有效地解决了在一个封闭的形式。在我们的海马分割实验中，我们的方法显着优于基于相似性的局部加权。使用20个图谱，我们产生的结果与对照品的手动标记有0.898 ± 0.019个骰子重叠。
Multi-atlas based segmentation has been applied widely in medical image analysis. For label fusion, previous studies show that image similarity-based local weighting techniques produce the most accurate results. However, these methods ignore the correlations between results produced by different atlases. Furthermore, they rely on preselected weighting models and ad hoc methods to choose model parameters. We propose a novel label fusion method to address these limitations. Our formulation directly aims at reducing the expectation of the combined error and can be efficiently solved in a closed form. In our hippocampus segmentation experiment, our method significantly outperforms similarity-based local weighting. Using 20 atlases, we produce results with 0.898 ± 0.019 Dice overlap to manual labelings for controls.
登录
查看更多内容
影响因子：
10.6
作者：
Warfield, SK;Zou, KH;Wells, WM
通讯作者：
Wells, WM
影响因子：
5.7
作者：
Collins, D. Louis;Pruessner, Jens C.
通讯作者：
Pruessner, Jens C.
影响因子：
5.7
作者：
Leung, Kelvin K.;Barnes, Josephine;Ridgway, Gerard R.;Bartlett, Jonathan W.;Clarkson, Matthew J.;Macdonald, Kate;Schuff, Norbert;Fox, Nick C.;Ourselin, Sebastien
通讯作者：
Ourselin, Sebastien
影响因子：
10.9
作者：
Avants, B. B.;Epstein, C. L.;Gee, J. C.
通讯作者：
Gee, J. C.
DOI：
10.1073/pnas.052587399
发表时间：
2002-04-02
影响因子：
11.1
作者：
Scahill, RI;Schott, JM;Fox, NC
通讯作者：
Fox, NC