Институт прикладных математических исследований Карельского научного центра РАН
ГРНТИ 50.07 Теоретические основы вычислительной техники
ББК 3297 Вычислительная техника
Рассматривается задача сегментации трехмерных фМРТ изображений на основе байесовского подхода, где в качестве априорного распределения используется марковское случайное поле (Markov Random Field), а в качестве модели наблюдения – распределение фон Мизеса-Фишера. Основная проблема при применении данного подхода на практике состоит в оценке параметров модели. В статье рассматриваются алгоритмы HMRF-MCEM, HMRF-EM и GrabCut, использующие данную статистическую модель и оценивающие параметры модели без использования заранее размеченных данных. Методы HMRF-EM и GrabCut изначально были предложены в связке с другими статистическими моделями, однако после некоторых модификаций могут быть использованы с распределением фон Мизеса-Фишера. Проведен сравнительный анализ результатов работы алгоритмов на основе экспериментов с использованием синтетических данных, сгенерированных в соответствии со статистической моделью, и реальных фМРТ данных.
фМРТ, сегментация, марковское случайное поле, распределение фон Мизеса-Фишера, байесовский вывод
1. A. Eklund, T. E. Nichols, and H. Knutsson. Cluster failure: Why fmri inferences for spatial extent have inflated false-positive rates. Proceedings of the National Academy of Sciences, 113(28):7900-7905, 2016.
2. X. Descombes, F. Kruggel, and D. Y. Von Cramon. Spatio-temporal fmri analysis using markov random fields. IEEE Transactions on Medical Imaging, 17(6):1028-1039, Dec 1998.
3. W. Liu, S. P. Awate, J. Anderson, and P. Thomas Fletcher. A functional networks estimation method of resting-state fmri using a hierarchical markov random field. NeuroImage, 100:520-534, 2014.
4. W. Liu, S. P. Awate, J. Anderson, D. Yurgelun-Todd, and P. Thomas Fletcher. Monte carlo expectation maximization with hidden markov models to detect functional networks in resting-state fmri. In Machine Learning in Medical Imaging, pages 59-66, 2011.
5. Y. Zhang, M. Brady, and S. Smith. Segmentation of brain mr images through a hidden markov random field model and the expectation-maximization algorithm. IEEE Transactions on Medical Imaging, 20(1):45-57, 2001.
6. C. Rother, V. Kolmogorov, and A. Blake. Grabcut - interactive foreground extraction using iterated graph cuts. ACM Transactions on Graphics (SIGGRAPH), 23(3):309-314, 2004.
7. P. Perez. Markov random fields and images. CWI Quarterly, pages 413-437, 1998.
8. M. A. Hurn, O. K. Husby, and H. Rue. A tutorial on image analysis. In Spatial Statistics and Computational Methods, pages 87-141. Springer New York, 2003.
9. Y. Boykov, O. Veksler, and R. Zabih. Fast approximate energy minimization via graph cuts. IEEE Transactions on Pattern Analysis and Machine Intelligence, 23(11):1222-1239, Nov 2001.
10. A. Banerjee, I. S. Dhillon, J. Ghosh, and S. Sra. Clustering on the unit hypersphere using von misesfisher distributions. J. Mach. Learn. Res., 6:1345- 1382, 2005.
11. C. M. Bishop. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag, Berlin, Heidelberg, 2006.
12. W. R. Crum, O. Camara, and D. L. G. Hill. Generalized overlap measures for evaluation and validation in medical image analysis. IEEE Transactions on Medical Imaging, 25(11):1451- 1461, Nov 2006.
13. X. Zuo, C. Kelly, J. S. Adelstein, D. F. Klein, F. X. Castellanos, and M. P. Milham. Reliable intrinsic connectivity networks: Test-retest evaluation using ica and dual regression approach. NeuroImage, 49(3):2163 - 2177, 2010.
14. NITRC. Nyu csc testretest dataset was obtained from www.nitrc.org., 2009 (accessed August 26 2019).
