Multi-Atlas Segmentation of MR Tumor Brain Images Using Low-Rank Based Image Recovery
我们引入了一种针对 MR 肿瘤脑图像的新的多图集分割（MAS）框架。MAS 的基本思想是将来自多个正常脑图集的标签信息注册并融合到一个新的脑图像中进行分割。已经成功地提出了许多 MAS 方法。然而，它们大多数是为正常的脑部图像而开发的，而肿瘤脑部图像通常对它们构成很大的挑战。这是因为肿瘤导致正常脑图谱与肿瘤脑图像的配准困难。
为了解决这一挑战，在我们的 MAS 框架的第一步中，使用了一种新的低秩方法，根据正常脑图集的信息从 MR 肿瘤脑图像中恢复了正常外观的大脑图像。与常规的允许秩方法不同，后者产生的图像具有正常大脑区域的扭曲，低秩方法利用空间约束来获取保留了正常大脑区域的恢复图像。第二步，可以将正常脑图谱配准到恢复图像上，而不会受到肿瘤的影响。这两个步骤需要迭代进行直到收敛，以获得肿瘤脑图像的最终分割。在迭代过程中，逐渐细化了恢复的图像和正常脑图集对恢复的图像的配准。
综述
MULTI-ATLAS 分割（MAS）使用图像配准将标签信息从多个脑图集转移到新的大脑图像，然后执行标签融合以获得新的大脑图像的最终分割结果。 已经提出了许多 MAS 方法，并证明了它们在正常脑图像中对脑区域进行精确分割的能力。 但是，大多数 MAS 方法对于带有诸如肿瘤之类的病理图像的大脑图像通常不能获得令人满意的结果。 这是因为病理可能导致正常脑图谱与目标图像配准的困难。 尽管如此，基于地图集的图像分割（如 MAS）仍被广泛用于分割病理性脑部图像。
改善病理性脑部图像配准的方法可以基于对病理性脑部区域进行掩蔽、模拟或修复。具体来说，掩蔽方法（例如成本函数掩蔽（CFM））从配准过程中考虑的范围内识别并排除了病理区域。因此，配准仅由正常的大脑区域驱动。模拟方法可以合成正常脑图集中的肿瘤，从而使它们类似于肿瘤脑部图像以方便配准。修复方法是用正常的大脑外观代替病理区域以改善配准。
总结
文章采用的是解析方法，从 MR 肿瘤脑图像中恢复了正常外观的大脑图像，再进行分割。
