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).
