Markov Domenii aleatorie

Source: http://dbm.neuro.uni-jena.de/vbm/markov-random-fields/

Teorie

Putem folosi opţional de informare prealabilă, prin aplicarea unei Hidden Markov câmp la Întâmplare (HMRF) model. Folosind acest model vom introduce constrângeri spaţiale bazate pe voxels vecine a unui cub 3x3x3. Voxel Centrul dispune de 26 de vecini şi putem calcula MRF energie prin numărarea numărului de vecini. Voxels vecine sunt de aşteptat să aibă etichete aceeasi clasa. Probabilitatea prealabil al clasei, precum şi probabilitatea riscului de observare este de combinate pentru a estima maximă a posteriori (MAP). Înainte de probabilitate poate fi ponderată între 0 (nu HMRF) şi 1 (HMRF maxim pentru date foarte zgomotos) pentru a acoperi diferite niveluri de zgomot. Părţi din această versiune se bazează pe o punere în aplicare a unui Gaussian Hidden Markov Întâmplare Field (GHMRF) abordarea de către Meritxell Bach Cuadra et al. (2005).

Ideea este de a elimina voxels izolat din clasa ţesutului unul care sunt puţin probabil să fie membru al acestui tip de tesut. De asemenea, închide găuri într-un cluster de voxels legate de un tip de tesut. În segmentarea care rezultă nivelul de zgomot va fi minimizat.

În funcţie de pe scaner şi utilizate secvenţa MR dvs. T1-imaginile vor conţine cel puţin nivel de zgomot de 3%. Prin urmare, aş recomanda pentru majoritatea imaginilor o ponderare HMRF mediu de 0,3. Dacă imaginile sunt afectate de nivelul de zgomot mai puteţi alege un mai mare ponderare HMRF.

Fişierele care rezultă sunt indicate prin menţiunea "_HMRF" la sfârşitul numelui de fişier.

MRF de energie

MRF energie Ux este caclulated de numărare numărul de voxels învecinate din clasa ţesut o într-un cub 3x3x3. De la stânga sus la dreapta jos sunt prezentate diferite configuraţii de Ux = 0 (nu vecini), până la Ux =- 26 (număr maxim de 26 de vecini)

Utilizarea de probabilitate înainte de MRF

Bazat pe energie MRF vom calcula probabilităţile anterior MRF pentru fiecare clasă de ţesut. Această informare prealabilă este combinat cu probabilitatea probabilităţii de la pasul de segmentare la o probabilitate posterior comun. Suma la care aceste informaţii sunt utilizate anterior pot fi controlate cu un beta factor de ponderare

Efectul de reducere a zgomotului

În centru putem vedea rezultatul de segmentare materia cenuşie a imaginii adevărului sol din baza de date brainweb fără zgomot. Panoul inferior prezinta o vedere mărită pentru a demonstra calitatea de segmentare. Pe stânga rezultatul cu un nivel de zgomot de 9% este prezentată o calitate a imaginii este degradat. Pe partea dreaptă, putem vedea rezultatul cu aplicarea MRF şi nivelul de zgomot în segmentare este diminuat.

Comparaţia cu segmentarea fără abordare MRF

Pentru a valida efectul aplicării MRF vom folosi o imagine adevăr la sol din baza de date brainweb cu diferite niveluri de zgomot de 1.. 9%. Precizie de segmentare pentru materia cenusie se calculează prin utilizarea unui coefficent kappa. Un coeficient kappa de 1 înseamnă că există o suprapunere perfectă între adevărul de referinţă la sol şi imaginea segmentate. Fără aplicarea coeficientului Kappa MRF este mult mai mică pentru niveluri de zgomot mai mare, din cauza a scăzut semnal-zgomot. Prin aplicarea MRF vom obţine coeficienţi mai mari kappa pentru nivelurile de zgomot> 3-5%. Nivelul de zgomot obişnuit într-o imagine T1 standard este în jurul valorii de 3% sau mai mare, prin urmare, punerea în aplicare a MRF ajută în obţinerea segmentari mai precise.