Aprendizado de dicionário discriminativo para segmentação multi-órgão abdominal

Um método de segmentação automatizada é apresentado para segmentação multi-órgão em imagens de TC abdominal. Técnicas de aprendizado de dicionário e codificação esparsa são utilizadas no método proposto para gerar priors específicos para segmentação. O método aprende simultaneamente dicionários que têm poder de reconstrução e classificadores que têm habilidade discriminativa a partir de um conjunto de atlas selecionados. Com base nos dicionários e classificadores aprendidos, atlas probabilísticos são então gerados para fornecer priors para a segmentação de imagens-alvo não vistas. A segmentação final é obtida aplicando um passo de pós-processamento baseado em um método de cortes de gráfico. Além disso, este artigo propõe uma estratégia de seleção local de atlas voxel-wise para lidar com a alta variação intersubjetiva nas imagens de TC abdominal. O desempenho de segmentação do método proposto com diferentes estratégias de seleção de atlas também é comparado. Nosso método proposto foi avaliado em um banco de dados de 150 imagens de TC abdominal e alcança um desempenho de segmentação promissor com valores de sobreposição de Dice de 94,9%, 93,6%, 71,1% e 92,5% para fígado, rins, pâncreas e baço, respectivamente.