Precise Segmentation of 3-D Magnetic Resonance Angiography

1. Precise Segmentation of 3-D MagneticResonanceAngiography 出處:IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 59, NO. 7, JULY 2012 作者:AymanEl-Baz 日期:12/24/2013 Speaker:曾天佑

2. Outline • I. INTRODUCTION • II. SLICE-WISE SEGMENTATION WITH THE LCDG MODELS • III. SEGMENTATION ACCURACY • IV. EXPERIMENTAL RESULTS

3. I. INTRODUCTION • 傳統的3-D血管造影技術(MRA)使用time-of-flight (TOF)和phase contrast(PC) ，但會因脂肪、骨骼等物質導致誤判。 • 本文發現MRA有multimodal性質，使血管可以準確地從背景中，使用體素強度精確識別的機率模型切割出每張影像的血管部分。

4. II. SLICE-WISE SEGMENTATION WITH THE LCDG MODELS

5. TN=TrueNegative(該被找到,沒找到)錯誤 • TP=TruePositive(該被找到,有找到)正確 • FN=FalseNegative (不該被找到,沒找到)正確 • FP=FalsePositive(不該被找到,找到了)錯誤

6. Linear Combination of Discrete Gaussians(LCDG) • 高斯分佈的離散線性組合 • X=每張3D磁共振層影像切片 • X = (Xs : s = 1, . . . , S) • Xs = (Xs (i, j):(i, j) ∈ R;Xs (i, j) ∈ Q) • R=每張影像中的像素座標 • Q=每個像素座標的灰階值 • Fs = (fs (q): q ∈ Q;q∈Qfs (q) = 1) • fs聯合密度函式

7. 每張slice都是模型K部分的影像 • 本論文實驗使用K=3的影像 • 估計每個K-model中Fs 訊號的機率分布關聯性來組合整體模型 • 離散高斯分布 Discrete Gaussian (DG) • 代表每個Gray level的機率函式 • 代表累積機率函式 • 是速記符號,, 平均值, 方差

8. Gray level機率函式 • 和 都是LCDG 元素,其中

9. 其中 ,W代表權重,且所有權重都非負值,所以 0 • 的Bayesian(貝葉斯)機率為 F • 以每個K為樣本個別計算參數出W

10. 本文對真實機率不限制識別過程,只檢查限制的有效性本文對真實機率不限制識別過程,只檢查限制的有效性 • 方程式(3)和貝葉斯 F 都是檢查有效性 • 為了精確分辨LCDG分類數目的精準度,使用EM-based 的技術,以分辨連續高斯線性組合的機率密度

11. 切割步驟 • 1)針對每張Slice做5個步驟 • A)取得邊緣機率分佈的灰階值( ) • B)找出LCDG參數的初始值 • C)使用改良後的EMalgo.固定 和 • D)找出LCDG中K個模組且通過最小預期錯誤的誤判和選擇LCDG子模型中最大的平均值 • E)給一個t閥值分離背景和血管

12. 2)使用[33]的3-D體積生長算法,找出最大連通部分2)使用[33]的3-D體積生長算法,找出最大連通部分 • 切割過程主要目的是找出一個較佳的閥值分離背景和血管

13. III. SEGMENTATION ACCURACY • 整體錯誤率:

15. IV. EXPERIMENTAL RESULTS • A. Segmentation of Natural TOF- and PC-MRA Images • time-of-flight(TOF); phase contrast(PC)

20. B. Validating the Segmentation Accuracy With Phantoms

22. Receiver OperatingCharacteristic(ROC)

23. End