[论文解读] Metacarpal Bones Localization in X-ray Imagery Using Particle Filter Segmentation

Z Bárdosi, Donatella Granata+3 more|arXiv (Cornell University)|Dec 28, 2014

Medical Imaging and Analysis参考文献 21被引用 3

一句话总结

本文提出了一种基于粒子滤波的方法，通过结合全局形状模型与局部外观特征，实现在X射线图像中对掌骨进行定位。利用哈尔特征（Haar-like features）和随机森林分类，生成标签概率图，随后通过差分进化算法优化关键点位置，实现精确分割，在带有标注的X射线数据上表现出稳健性能。

ABSTRACT

Statistical methods such as sequential Monte Carlo Methods were proposed for detection, segmentation and tracking of objects in digital images. A similar approach, called Shape Particle Filters was introduced for the segmentation of vertebra, lungs and hearts [1]. In this contribution, a global shape and a local appearance model are derived from specific object annotated X-ray images of the metacarpal bones. In the test data a unique labeling of the bone boundary and the background points and a manual annotation is given. Using a set of local features (Haar-like) in the neighborhood of each pixel a probabilistic pixel classifier is built using the random forest algorithm. To fit the shape model to a new image, a label probability map is extracted and then the optimal shape is obtained by maximizing the probability of each landmark with the Differential Evolution algorithm.

研究动机与目标

• 解决在复杂X射线图像中实现掌骨精确定位的挑战。
• 通过整合全局形状约束与局部外观建模，提升分割的鲁棒性。
• 开发一种能够适应X射线图像质量差异与解剖变异性的方法。
• 通过概率优化实现自动化、精确的骨边界定位。

提出的方法

• 从手动标注的掌骨X射线图像中学习全局形状模型。
• 在每个像素周围提取哈尔特征（Haar-like features）以建模局部外观。
• 训练随机森林分类器，生成像素级的标签概率图（骨组织与背景）。
• 将标签概率图作为输入，输入至粒子滤波框架。
• 通过最大化后验概率，利用差分进化算法优化关键点位置。
• 通过平衡形状一致性与局部灰度强度证据，迭代优化形状拟合。

实验结果

研究问题

• RQ1 粒子滤波框架是否能有效利用形状与外观先验，在X射线图像中实现掌骨的定位？
• RQ2 将全局形状模型与局部哈尔特征相结合，对分割精度的提升效果如何？
• RQ3 差分进化算法在关键点位置优化中的增强作用有多大？
• RQ4 该方法在图像对比度变化、噪声及解剖变异情况下的鲁棒性如何？

主要发现

• 所提出的方法通过结合形状与外观建模，实现了对掌骨边界的有效定位。
• 基于随机森林的像素分类显著提高了初始概率图的可靠性。
• 差分进化算法有效优化了关键点位置，提升了收敛性与精度。
• 该方法在带有手动标注的测试数据上表现出稳健性，表明其在未见X射线图像上具有较强的泛化能力。