탄력적 모델 기반 3차원 신경영상 데이터 세트의 분할

이 논문은 볼륨 이미지 데이터에서 3차원(3-D) 객체의 자동 모델 기반 분할을 위한 새로운 기술을 제시합니다. 이 개발은 활성 형태 모델에 대한 Taylor와 Cootes의 기초 작업을 밀접하게 따르지만, 포인트 분포 모델이 아니라 계층적 매개변수 객체 설명에 기반합니다. 분할 시스템에는 통계 모델 구축과 제약된 탄력적 변형을 통한 새로운 이미지 데이터 세트의 자동 분할이 포함됩니다. 기하학적 모델은 전문가들이 분할한 이미지 데이터 샘플 세트에서 파생됩니다. 이러한 이진 객체의 표면은 매개변수 표면 표현으로 변환되며, 이는 불변 객체 중심 좌표계를 얻기 위해 정규화됩니다. 표면 표현은 객체 형태의 매개변수 설명을 제공하는 구형 조화의 시리즈로 확장됩니다. 불변 객체 표면 매개변수화가 표면 포인트 집합의 상응하는 집합 측면에서 객체 동종성을 자동으로 결정하는 데 좋은 근사를 제공함을 보여줍니다. 객체 경계 근처의 회색 수준 정보는 표면에 수직인 1-D 강도 프로필로 표현됩니다. 뇌 구조의 자동 분할을 우리가 추구하는 응용 프로그램으로 고려할 때, 객체 정렬을 위한 좌표 선택은 잘 수용되는 스테레오택틱 좌표계였습니다. 평균 형상의 주변에서 객체 형태의 주요 변동, 즉 형상 고유모드라고도 불리는 것이 포인트 좌표의 특징 공간이 아닌 형상 매개변수 공간에서 계산됩니다. 분할은 훈련 형상의 범위 내로 가능한 탄력적 변형을 제한함으로써 객체 형태統計를 사용합니다. 평균 형상은 스테레오택틱 좌표계의 랜드마크를 지정하여 새로운 데이터 세트에서 초기화됩니다. 모델은 지역 강도 프로필을 일치시킴으로써 생성된 객체 표면을 가로지르는 변위 힘에 의해 주도되어 탄력적으로 변형됩니다. 탄력적 변형은 고유모드 공간에서 최대 변동에 대한 경계를 설정하여 제한됩니다. 이 기술은 정신분열증 연구에서 촬영된 볼륨 자기 공명 스캔에서 좌측 및 우측 해마, 시상, 담창구 및 담창구의 자동 분할에 적용되었습니다. 결과는 자동 분할과 인터랙티브 전문가 분할로 얻은 결과를 비교함으로써 검증되었습니다.