Um Algoritmo STAPLE Baseado em Pooling Logarítmico de Opiniões para a Fusão de Segmentações com Pesos de Confiabilidade Associados

A disfunção do assoalho pélvico é comum em mulheres após o parto e a segmentação precisa de imagens de ressonância magnética (RM) do assoalho pélvico pode facilitar o diagnóstico e o tratamento das pacientes. No entanto, devido à complexidade de suas estruturas, a segmentação manual do assoalho pélvico é desafiadora e sofre de alta variabilidade inter e intraavaliadores entre avaliadores especializados. Vários algoritmos de fusão de modelos são técnicas de segmentação promissoras para esses tipos de aplicações, mas foram limitados por imperfeições no alinhamento dos modelos com o alvo, e por erros na segmentação dos modelos. Vários algoritmos buscaram melhorar o desempenho da segmentação ao combinar intensidades de imagem e rótulos de modelos como duas fontes independentes de informação, realizando a fusão através de esquemas de votação ponderada por intensidade local. Esta classe de abordagem é uma forma de pooling de opiniões linear e alcança um desempenho insatisfatório para essa aplicação. Nós hipotetizamos que uma melhor fusão de decisões poderia ser alcançada avaliando a contribuição de cada modelo em comparação com uma segmentação padrão de referência da imagem alvo e desenvolvemos um novo algoritmo de segmentação para permitir a segmentação automática de RM do assoalho pélvico feminino. O algoritmo alcança alto desempenho ao estimar e compensar tanto o registro imperfeito dos modelos com a imagem alvo quanto as imprecisões de segmentação dos modelos. Uma medida de similaridade de imagem local é usada para inferir um peso de confiabilidade local, que contribui para a fusão através de um novo pooling logarítmico de opiniões. Avaliamos nosso novo algoritmo em comparação com nove métodos de segmentação de ponta e demonstramos que nosso algoritmo alcança o melhor desempenho.