图像分割方法及性能评价综述
摘 要 对医学图像分割算法的客观评价是推进算法在临床上得到应用的关键。针对目前对医学图像分割方法的研究较多,而对分割算法的评价方法的研究却很少的问题,提出了一种判断和比较医学图像分割算法优劣的评价方法。首先对现有的几种评价方法进行了综述,并总结出了一套评价系统。可靠性、精确性、区域统计特性和效率是评价一个分割方法的4个重要参数,结合医学图像分割分别对它们的定义进行了说明。这些参数互相影响,评价分割算法时必须权衡这些指标,根据不同的应用背景赋予它们不同的权重。此外,还介绍了如何建立医学图像分割金标准数据库的方法。最后,通过InsightToolkit(ITK)软件包中的两个算法例子,结合脑白质分割的医学背景,演示了如何利用本文评价系统来对这两种分割算法做出比较。实验结果表明,该评价方法可行,比较结果具有合理性。该研究为医学图像分割算法的评价提供了科学合理的方法,同时也指出了推动医学图像分割算法在临床上应用所应解决的问题。
关键词 图像分割 分割评价 医学图像 ITK 金标准
中图法分类号:TP391 文献标识码:A 文章编号:100628961(2009)0921872209
TheMethodologyofEvaluatingSegmentation
AlgorithmsonMedicalImage
ZHANGSh,iDONGJian2we,iSHELi2huang
(SchoolofInformationScienceandEngineering,NortheasternUniversity,Shenyang,110004)
Abstract Objectiveevaluationofmedicalimagesegmentationalgorithmsisoneoftheimportantstepstowardestablishingvalidityandclinicalapplicabilityofanalgorithm1Sincetherearealargenumberofarticlespresentingsegmentationmeth2odsonmedicalimage,withfewstudyingtheevaluationmethodsontheirperformance,thispaperpresentsanevaluationmethodfordifferentsegmentationalgorithms1Theauthorfirstgivesasurveyofseveralavailableevaluationmethodsandpresentsasystematicsummary1Reliability,precision,regionstatisticalcharacteristicsandefficiencyarethefourmostim2portantmetrics1Thedefinitionsofthemarethendescribedbasedontheimagesegmentationprocess1Forcomparison,weightsshouldbeaddedtothesemetricsaccordingtotheapplication1Moreover,theauthoralsopresentsamethodonhowtoconstructgoldstandardofmedicalimages1Atlast,withthetaskofbrainwhitemattersegmentation,theauthordemon2strateshowtomakeuseoftheproposedevaluationmethodtocomparetwosegmentationalgorithmsininsighttoolkit(ITK)1Theexperimentresultsshowthatthismethodispracticalandreasonable1Thisstudygivesascientificmethodfortheevalu2ationofsegmentationalgorithmsonmedicalimage1Meanwhile,itpointsouttheproblemstobesolvedbeforethesegmenta2tionalgorithmscouldbeputintouseinclinic1Keywords
magesegmentationi,segmentationevaluation,medicalimage,
insighttoolkit(ITK),goldstandard
收稿日期:2007209206;改回日期:2008206212
第一作者简介:张 石(1963~ ),男,教授。1998年于沈阳东北大学获检测技术与自动化装置专业博士学位,研究方向为医学影像处理与分析,嵌入式系统技术及数字信号处理。E2mai:lzhangsh@iise.neu.edu.cn
1 引 言
图像分割是指将图像中感兴趣区域(ROI)的边界找到,使得边界内部和外部的像素分别具备相似的特征(强度、纹理等)。医学图像分割是对医学图像进行其他后续处理的基础。对图像中目标区域的准确分割对于计算机辅助诊断、制订手术计划、目标3维重建以及放射性治疗评价等都具有重要意义。近几十年来,随着医学成像设备的不断完善,医学图像的分割算法也层出不穷,但是很少能够在临床上得到广泛应用。用一个全面的医学图像数据集合来客观评价医学图像分割算法是将该算法向临床应用推进的关键一步
[1]
。然而,目前对某一医学图像分
割算法的评价,大部分情况都是通过目测分割结果的方法来给出定性的评价,很难给出客观的、系统的、定量的评价。究其原因,主要存在如下两个问题:
(1)不同组织或器官,不同成像模式(CT/MRI/PET/US)医学图像的特点差别很大,一种医学图像分割方法很可能仅仅对一种图像分割有效,甚至具体到一个特定的部位,无法得到一个通用的分割方法,得到算法的客观评价则更难。
(2)对于一幅特定的医学图像,不同的医学图像专家很可能给出不同的分割结果,存在因人而异的特点,因此,很难对计算机分割方法得到的分割结果做一客观评价,缺少关于医学图像分割的金标准数据库。
图像分割算法的评价方法受到关注要远远落后于对分割算法本身的研究,1977年,Yasnoff等人率先提出了/错误分类百分比0和/像素距离误差0两个测度,来评价图像分割算法
[2]
。1986年,Canny
从图像的边缘检测角度,提出了3个最优边缘检测准则:(1)不漏检真实存在的边缘,也不把非边缘点作为边缘点检出;(2)检测到的边缘点与实际边缘的距离最小;(3)实际存在的边缘点与检测到的边缘点一一对应[3]
。1996年,章毓晋对前人的大量工作进行了总结,将评价方法归结为两类)))直接法(分析法)和间接法(实验法),并对每种方法进行了简要介绍,但其文中却没有提及在研究一个特定的分割任务时,尤其是医学图像分割任务时,如何去选择和应用合适的评价方法
[425]
。1997年,Chalana
等人提出了一种通过比较计算机分割结果与多个专家手工标记结果,来评价医学图像分割算法的方法,并用两个超声图像分割的例子演示了如何应用其提出的评价方法
[1]
。2006年,Anon提出了一种利用
支持向量机(SVM)学习方法对分割算法进行无监
督评价的方法[6]
。同年,Udupa等人提出了一个针对医学图像分割方法评价的框架,他将图像分割问题划分为目标识别和描述,并提出3个要素)))可靠性、精确性和效率,列举了很多医学图像分割的例子,并介绍了各个评价参数的具体计算方法
[7]
。同
年,Ortiz等人提出了一种新的由3个参数组成的测度方法,这3个参数是:正确分类的比例、过度分割
的比例和欠分割的比例[8]
。国内在这方面的研究较少,且没有专门围绕医学图像分割展开讨论的文献。2000年,侯格贤等人将模糊集合的概念应用到分割评价方法中,引入模糊度测度用于评价图像分割的质量
[9]
。其他研究者也在该领域开展了一些
研究工作,但都并不深入,专门研究医学图像分割算法的评价方法的文献则几乎没有。在对上述文献进行分析综合后,得到如图1所示的医学图像分割评价系统的总体运行流程。按照图1所示的各个环节,对国内外目前研究的几种评价方法的基本思想做一介绍,重点研究在面临一个特定的分割任务(例如人脑MRI图像中脑白质的分割)时,如何构建一个分割评价系统以客观评价和比较所采用的分割算法。
2 分析法与实验法
分析法是通过研究分割算法本身的原理和性质来对分割算法进行评价。评价指标包括:对先验知识的利用程度(如利用解剖图谱的分割),算法的运行方式(串行、并行),算法的空间复杂性与时间复杂性以及算法的抗噪性和稳定性等。分析法评价的意义在于发现算法的实质性缺陷,并明确算法改进的方向,特别适合于定性评价。
实验法则是通过实现一个分割算法的实例,通过对分割的结果进行研究,来评价该分割算法。它又分为有监督评价法和无监督评价法。有监督评价法是建立在与可供参考的分割标准进行比较的基础上,获得一系列的误差数值。而无监督法则借助分割结果自身的统计特性来评价分割算法。
图1 医学图像分割评价系统的运行流程
Fig.1 Processforevaluatingsegmentationalgorithmonmedicalimage
(1)同一个操作者对一幅图像中的特定目标使
3 评价测度
评价测度就是衡量算法性能优劣的各种数学指
标,目前能够查阅到的评价测度有很多,这里仅列举最典型的4个评价测度:可靠性、精确性、区域统计特性和效率。311 可靠性
可靠性是指利用统计学规律考虑图像分割的各个变化因素对图像进行重复分割,两次分割结果之间的接近程度;在评价分割算法的可靠性时,有如下几个变化因素需要考虑:(1)在成像过程中患者身体位置的不同,会导致图像(目标)的旋转等;(2)人机交互过程中手工操作的变化,如初始化位置的给定,会导致算法初始化状态的不同。可靠性可以通过如下3个方法来考察:
用相同的分割算法分割n次;
(2)n个操作者对同一幅图像中的特定目标使用相同的分割算法各分割一次;
(3)同一个操作者对分n次扫描的同一个部位的n幅图像中的特定目标使用同一种分割算法分别进行分割。
采用上述3种方法可获得3组分割结果,设S1,S2,,,Sn为其中一组分割结果(区域内像素集合),则采用如下可靠性计算公式
:
其中,分子表示n次分割结果重叠像素的个数,分母表示n次分割结果得到的像素并集中元素的个数。得到的3个可靠性测度P1,P2,P3分别代表了操作
第9期张 石等:医学图像分割算法的评价方法
1875
者自身误差,操作者间误差和成像设备误差(严格来说P3也包含操作者自身误差)。P值越接近于1,代表算法对外界条件的适应性越强,可重复性就越好。
312 精确性
精确性是指算法分割结果与真实分割结果(金标准)的一致性程度。它有4种描述方法:像素法、区域法、点对法和边界法。像素法就是计算错误分类的像素数占参考像素总数的比重;区域法计算两个对应区域的重叠比例;点对法是在两个分割结果的边界上首先找到对应的点对,然后测量它们的一致程度;边界法则比较分割的边界与参考边界的贴近程度。分割问题可看作将一组像素点进行分类的问题,因此它可以被看成是一个聚类问题,用于测度一致性或相似性的聚类分析的方法也都可以用来衡量分割结果和金标准的贴近程度。
首先,可以用基于距离的测度来评价基于边界的分割方法。设分割算法得到的边界点的集合为B={bi:i=1,,,K},金标准的边界点的集合为T={ti:i=1,,,N},点到边界的距离定义为:d(bi,T)=nIm{1,,in,N}
bi-tn。对于一幅图像,可以计算出如下3个基于距离的测度:
1
K
平均绝对偏差:MAD=
KEi=1
d(bi,T)(2)最大绝对偏差:MaxD=iImax{1,,,K}{d(bi,T)}(3)误差范围在e个像素以内的像素比例:
PE=
{biIB:d(bi,T)<K
(4)
此外,还可以采用基于区域(面积或体积)的测度。为简单起见,假设一幅图像仅包含一个目标区域,其他为背景,设集合S代表分割算法得到的目标区域的像素点集合,集合T代表金标准的目标区域的像素点集合,I
表示整幅图像的像素集合,则定义如下4个测度:
真阳性:TP=S
T
(5)假阳性:FP=S-T(6)假阴性:FN=T-S(7)真阴性:T
N=I-T-S
(8)
这4个测度可以用类似文氏图的形式表达,如图2所示。
图2 基于区域的精确性评价测度示意图Fig.2
Illustrationofevaluationmetricsforregion2basedalgorithm
在此基础上再定义如下4个比例:
TPF=
TP
T
(9)FNF=T(10)FPF=I-T(11)TNF=
TNI-T
(12)
TPF表示真阳性目标像素数占目标区域所有正确像素数的比例;FNF表示漏分割目标像素数占目标区域所有正确像素数的比例;FPF表示将背景像素错误地分割为目标像素的数目占背景正确像素数的比例;TNF表示分割出来的背景像素数占正确背景像素数的比例;若图像区域的尺寸与目标区域的尺寸比例合适,则分割算法可以通过绘制TPF和FPF的接收者操作特性(ROC)曲线得到评价和优化
[10]
。而错误比例通过ROC方法来评价不合适,
可以通过下式评价[11]
:
FF=1-FP+FN
T
(13)
将上述结果中的普通集合换成模糊集合,得到的测度就是改进了的模糊集精确性测度[7]
。
313 区域统计特性
在有些情况下,分割结果没有金标准可供参考,因此产生了无监督评价方法。它采用区域的统计学特性(灰度均匀性、纹理特征等)作为测度。基本的测度包括如下3个:区域内均匀性、区域内差异性和区域间差异性。
1876
中国图象图形学报 第14卷
区域内均匀性(uniformityofintraregion):通过区域内像素特征(如灰度)的相似度计算区域的均匀性
[12213]
,公式为
2
1N
UR=1-
sIE
RgI(s)-
1k
Rk
tIERg
I
(tk
I
E
k=1
2
maxsIR(gI(s))-mk
sIR
in(gI(sk
(14)
这里:设图像I被分割成N个区域(集合),Rk
表示第k个区域(集合),|I|代表图像I中像素的总数,gI(s)对应像素s的灰度级强度函数或其他像素
特征函数(颜色、纹理等),Rk代表区域Rk中像素的总数。
区域内差异性:通过计算区域内像素灰度的二阶导数的平方均值作为区域内差异性的测度[12]
,其
式为
N
2DR=
1
N
E
1k=1
Rk
sE
dgI(s)
IR(15)
k
ds
但是,该测度对于以纹理为区域特征的图像分割并不适用,对于纹理分割的区域内差异性测度,可参见文献[14]。
区域间差异性:通过计算两区域间的不一致性,
获得区域间差异性[12]
,其式为
N-1
N
IR=EEfI(Ri)-fI(Rj)Di=1j=i+1C2
(16)
NmaxsII(gI(s))-msIiI
n(gI(s))其中,C2
N为区域组合数,gI(s)为像素灰度特征函数,fI(Ri)为区域特征函数,一般为区域平均灰
度。其他无监督评价测度可参见文献[1]和文献[4]。
314 效率
效率是指计算机和用户参与的用于算法训练和执行的所有时间总和。完成一次分割任务所用时间也是一项重要的测度,可以分为人工操作时间和计算机运算时间两部分。人工操作时间又分为初始化算法时间和训练算法时间。计算机运算时间又分为算法的学习(训练)时间和算法运算时间。
值得一提的是,效率不仅仅和采用的算法本身有关,也和采用的算法的实现方法(如Matlab,C++等)有关,与采用的软件硬件平台(操作系统、处理器、内存容量等)有关。因此,在描述算法效率的同
时,也必须要明确算法的实现方法及软硬件的资源情况。
4 综合评价系统
实际上,前面几节介绍的这些测度之间并不是互相独立的,它们互相影响,而且通常很难在保证其他几个参数不变坏的情况下改善其中一个参数。对分割算法的评价必须权衡这些指标,根据不同的应用背景赋予它们不同的权重。
综上所述,一个完整的分割评价系统包含如下5个方面的内容:(1)一套容易计算的、高效的、有意义的测度。(2)若干幅具有代表性的、真实的临床采集图像。(3)可以用来作为分割参考的对应的金标准。(4)一些用于测试和比较的具有标准输入输出的分割算法模块。(5)一个可以容纳分割算法和评价方法的软硬件系统。在建立这样一个评价系统前,还必须明确其应用范围。应用范围包括如下3个方面的内容:(1)一个任务:例如肿瘤的分割;(2)分割的部位:例如大脑;(3)图像类型:如MRI2维图像。只有满足了上述这些条件,对医学图像分割算法的评价才是客观的和有意义的。
5 金标准数据库的建立
严格来说,在很多情况下,绝对客观的正确的金标准是不可能获得的,也是不可知的。为此,通常采用如下3种方法来获取用做分割参考的金标准。
(1)人工标记法 感兴趣对象的边缘或区域由几位有经验的专家手工标记。为避免专家们之间分割的不一致性,可采用平均法来获得最终的金标准,文献[15]提出了一种期望最大化算法,也可用来解决不一致性的问题。人工标记法得到的分割结果往往都是一个二值的分割结果,即某个点或者是目标区域中的点,或者不是目标区域中的点。对于边界模糊的图像,无法给出像模糊集中的隶属度那样的一个隶属度函数(0~1之间的一个小数)。人工标记法还具有如下几个缺点:(1)需要耗费专家很多的时间和精力,成本较高;(2)易变性,不同的专家或同一个专家在不同时间对同一幅图像所得到的多个分割结果往往不一致,具有可变性;(3)专家在观看图像时,图像边缘的模糊性,显示设备的设置以及
第9期张 石等:医学图像分割算法的评价方法
1877
图3 一个手工分割实例
Fig.3 Anexampleofmanualsegmentation
专家的视觉特征都会影响手工分割的结果。如图3所示为一个此类图像示例。图3(a)与图3
(b)具有不同的屏幕对比度,它们与图3(c)具有不同的放大倍数,导致目标边界标记不一致。(2)数学建模法 首先设计一个二值化的仿真图像,其中明确定义了目标区域和背景。然后,加入组织间的局部体效应影响和成像过程中混入的噪声等,最终生成一幅仿真的医学图像。这种方法的缺点显而易见,采用的图像不是通过影像设备获取的临床真实图像,必然与其存在差异,说服力不强。
(3)成像过程仿真法 制作与人体组织或器官的密度和结构相似的人造模型,然后将其放入成像设备进行成像,则得到的图像即为已知金标准的图像。人造模型也可以用第2种方法的数学模型代替,成像设备的成像过程可以通过仿真方法生成投影数据,然后再进行反投影变换和图像重建。著名的BrainWeb的MRIsimulator采用的就是该方法,它允许用户独立地指定成像参数来生成期望
[16217]
的大脑MRI图像。这种方法的缺点在于人造模型的成本很高,且无法完全符合人体的组织结构,采用的数学模型获得的图像与真实图像的差别也较大。
从对上述3种方法的分析可见,采用人工标记法的金标准更符合医学图像分割这一任务的终极目标。将所有的外部可变因素标准化(显示设备的亮度、对比度,图像的放大倍数等),将目标区域边界的过渡区以模糊概率的形式而不是021的形式表达,这样建立的金标准将具有更大的参考价值。
为了推动医学图像分割方法的研究,一些组织和机构为了解决研究者难以获得金标准数据库的问题,
[18219]
[7]
专门建立了针对不同分割任务的金标准数据库,其中
[20][17]
以国际脑分割数据库(IBSR)和BrainWeb最有影响力,如图4所示为其典型样本及金标准,图4(a)来自IBSR,图4(b)来自BrainWeb,具体内容请参见文献[17]、[20]相关介绍。
图4 脑MRI图像及脑白质分割金标准Fig.4 BrainMRIimageanditsgold
standardofwhitematter
医学影像参考标准数据库的建立也是目前医学图像处理研究急需解决的问题,在欧盟医学信息学2医学图像处理工作组(EFMIWGMIP)2006年召开的/医学图像处理系统有效性0会议上,专门对参考图像数据库(RID)的现状、未来和研究计划展开了讨论,并进一步明确了如何建立全面的RID以推动医学图像处理与分析的发展
[21]
。
6 分割方法比较及评价实例
图像分割评价的目的主要有两个:一个是研究算法在不同分割情况中的表现,掌握如何选择和修正其参数以适应特定的分割任务;另一个是分析比
1878
中国图象图形学报 第14卷
较多个分割算法在面对同一分割任务时的优劣程度
[5]
以选取合适的算法。算法优化在前面提过可以用ROC曲线的方法。这里以脑MRI图像白质分割用于解剖结构研究为例,来评价两种不同的分割算法在完成这同一分割任务时的性能差异。采用的两种算法及其实现方法均为NIH(nationalinstitutesofhealth)的用于研究医学图像分割和配准的insighttoolkit(ITK)软件开发包中的算法。采用的硬件平台为AMDsempron119GHzCPU,1GB内存。软
[22]
件平台为WindowsXP操作系统,C++编程语言和VisualC++610编译器。
实验采用的测试图片为IBSR数据集中的男性T1加权脑MRI图像,编号为788_6的第52层。分割任务为脑白质区域的提取。两位操作者采用了ITK中的两个分割算法,共获得6个分割结果,具体实验方法及算法参数的选择如表1所示。原图及其金标准分割结果以及6个计算机获得的分割结果如图5所示。
表1 实验方法及算法参数选择
Tab11 Experimentmethodandparameterscorrespondingtothealgorithms
ShapeDetectionLevelSetFilter算法
实验序号
操作者1操作者2操作者
3
123
种子点坐标(x,y)
(103,148)(126,140)(126,140)
梯度参数D
216216214
实验序号
456
ConnectedThresholdImageFilter算法种子点坐标(x,y)
(103,148)(126,140)(126,140)
灰度范围[140190][137184][121229]
图5 MRI图像脑白质分割算法评价实例图片Fig.5 SegmentationresultsofwhitematterfromBrainMRI
在可靠性方面,因对同一部位两次成像的数据无
法获得,因此只测量了P1和P2。采用的这两种分割算法均属区域增长法,因此均需要人工指定种子点的位置和终止条件,因操作者自身和之间的差异性,会造成初始化条件等有所不同。实验结果如表2所示,从表中可以看出,ShapeDetectionLevelSetFilter算法(以下简称为S算法)的可靠性高,但分割结果不精
确,且耗时较长。ConnectedThresholdImageFilter算法(以下简称为C算法)可靠性稍差,但分割结果较前一算法精确,且计算时间短。
由上面的分析可知,两种算法各有其优缺点,若要对这两种方法做出最终比较,必须根据算法特点和实际应用背景建立综合评判模型。根据本分割任务,医生首先需要对算法的可靠性、精确性和效率设
表2 分割算法的测度数值
Tab12 Metricsresultsofthesegmentationalgorithms
编号123456
P1(%)P2(%)
TPF(%)24.31
FNF(%)75.6975.4276.6071.4970.9563.31
FPF(%)2.392.212.043.403.624.90
TNF(%)97.6197.7997.9696.6096.3895.10
算法初始化所用时间(s)算法完成计算所用时间(s)
335225
8.2348.5788.4530.6560.5930.516
91.0993.1924.5823.4028.51
93.7575.2129.0536.69
置一个底线,在此前提下按/效率>精确性>可靠性0的优先级排序,为了归一化各项权重,假设5s的
算法运行时间等同于一个精度百分点或一个可靠性百分点,则得到下式:
3
难,因此,对评价系统的每一个环节进行标准化也是十分有必要的。需要标准化的内容主要包括:
(1)建立每种分割任务的参考数据集(如IB2SR);
(2)规定统一的算法实现方法和实验平台(如
CSC=L
E
(PSi-PCi)3
-K
i=1
(tS-tC)
+5
ITK);
(3)设计统一的测度指标及统计分析软件包;
(4)明确在每种分割任务中各个测度的权重。只有这样,才能真正推动医学图像分割算法的
(17)
研究向前发展,使其在临床上得到应用。
参考文献(References)
1 ChalanaV,KimY1Amethodologyforevaluationofboundarydetection
algorithmsonmedicalimages[J]1IEEETransactionsonMedicalIm2aging,1997,16(5):6422652.
2 YasnoffWA,MuiJK,BacusJW1Errormeasuresforscene
segmentation[J]1PatternRecognition,1977,9(4):2172231.3 CannyJ1Acomputationalapproachtoedgedetection[J]1IEEE
C#
(TPFS+TNFS)-(TPFC+TNFC)
2
取K=015,C=013,L=012并假设第2和第6组为最优化后的分割结果,P3等于P1,则计算得CSC=-215882,说明S算法总体来说没有C算法好,这与前面的定性分析的结果是一致的,说明该综合评价公式具有一定的合理性,将测试样本的数量扩大,最终计算得的平均比较结果将更加具有客观性。
7 结 论
针对医学图像分割这一研究课题,提出了一套系统的对分割算法进行比较评价的方法,并结合ITK算法包,对该评价方法进行了实验,并对实验结果进行了简要分析。目前,绝大部分研究医学图像分割的文章,在实验分析部分均只给出分割前后的图像,只能用肉眼评价其分割结果,且不具有可比性。本文提出的评价系统,再配合大量的临床图像样本,对分割算法的比较以及推动医学图像分割算法在临床上的应用,将具有重大意义。此外,对研究其他图像分割及跟踪算法的评价方法也有一定的指导意义。
然而,面对医学图像分割问题的复杂性,加之算法实现方法的各异性,算法之间的比较往往比较困
TransactionsonPatternAnalysisandMachineIntelligence,1986,8(6):6792698.
4 ZhangYJ1Asurveyonevaluationmethodsforimagesegmentation
[J]1PatternRecognition,1996,29(8):133521346.
5 ZHANGYJ1Aclassificationandcomparisonofevaluationtechniques
forimagesegmentation[J]1JournalofImageandGraphics,1996,1(2):1512158.[章毓晋1图象分割评价技术分类和比较[J]1中国图象图形学报,1996,1(2):15121581]
6 Anon1Adaptativeevaluationofimagesegmentationresults[A].
In:Proceedingsofthe18thInternationalConferenceonPatternRecognition[C],HongKong:InstituteofElectricalandElectronicsEngineersInc,2006:3992402.
7 UdupaJK,LeBlancVR,YingZhuge,etal1Aframeworkforevalua2
tingimagesegmentationalgorithms[J]1ComputerizedMedicalIma2gingandGraphics,2006,30(2):75287.
8 OrtizA,OliverG1Ontheuseoftheoverlappingareamatrixforim2
agesegmentationevaluation:Asurveyandnewperformancemeasures[J]1PatternRecognitionLetters,2006,27(16):191621926.
9 HouGe2xian,BiDu2yan,WuCheng2ke1Researchesonevaluationmethodsforimagesegmentation[J]1JournalofImageandGraphics,2000,5(1):39243.[侯格贤,毕笃彦,吴成柯1图象分割质量评价方法研究[J]1中国图象图形学报,2000,5(1):392431]10BemmelJH,MusenMA1MedicalInformatics[M]1Shangha:i
PublisherofShanghaiScienceandTechnology,2002:
2272230.
[BemmelJH,MusenMA著1医学信息学[M]1包含飞等译.上
海:上海科学技术出版社,2002:22722301]
11FensterA,ChiuB1Evaluationofsegmentationalgorithmsformedical
miaging[A]1In:Proceedingsofthe27thAnnualInternationalCon2ferenceoftheEngineeringinMedicineandBiologySociety[C],Shangha:i
InstituteofElectricalandElectronicsEngineersInc1
2005:718627189.
12ChabrierS,EmileB,RosenbergerC,etal.Unsupervisedperform2
anceevaluationofimagesegmentation[J]1EURASIPJournalonAp2pliedSignalProcessing,2006,15:1212.
13LevineMD,NazifAM1Dynamicmeasurementofcomputergenera2
tedimagesegmentations[J]1IEEETransactionsonPatternAnalysisandMachineIntelligence,1985,7(2):1552164.
14ChabrierS,RosenbergerC,LaurentH,etal1Evaluatingtheseg2mentationresultofagray2levelimage[A]1In:Proceedingsof12thEuropeanSignalProcessingConference[C],Vienna:EuropeanAsso2ciationforSigna,lSpeechandImageProcessing,2004:9532956.
15WarfieldSK,ZouKH,WellsWM1Simultaneoustruthandper2
formancelevelestimation(STAPLE):analgorithmforthevalidationofimagesegmentation[J]1IEEETransactionsonMedicalImaging,2004,23(7):9032921.
16KwanRK2S,EvansAC,PikeGB1MRIsimulation2basedevaluation
ofimage2processingandclassificationmethods[J]1IEEETransac2tionsonMedicalImaging,1999,18(11):108521097.17BrainWeb:
Simulated
Brain
Database[EB/OL].
http://
www1bic1mni1mcgill1ca/brainweb/,200626212/200726217.18PizerSM1Intensitymappingstolinearizedisplaydevices[J]1Com2
puterGraphicsandImageProcessing,1981,17(3):2622268.19NyulLG,UdupaJK1OnstandardizingtheMRimageintensityscale
[J]1MagneticResonanceinMedicine,1999,42(6):107221081.20WorthA1TheInternetBrainSegmentationRepository(IBSR)[EB/
OL].http://www1cma1mgh1harvard1edu/ibsr/,200626220/200726215.
21HorschA1EFMI:
EuropeanFederationforMedicalInformatics2
WorkingGrouponMedicalImageProcessing[EB/OL].http://
www1efmi2wg2mip1net/,200628228/200726216.
22YooT1NationalLibraryofMedicineInsightSegmentationandRegis2
trationToolkit(ITK)[EB/OL].http://www1itk1org,2006211213/200726210.
图像分割方法及性能评价综述相关推荐
- 「技术综述」基于弱监督深度学习的图像分割方法综述
https://www.toutiao.com/a6713527528251720200/ 本文是基于弱监督的深度学习的图像分割方法的综述,阐述了弱监督方法的原理以及相对于全监督方法的优势. 作者 | ...
- 【技术综述】基于弱监督深度学习的图像分割方法综述
文章首发于微信公众号<有三AI> [技术综述]基于弱监督深度学习的图像分割方法综述 本文是基于弱监督的深度学习的图像分割方法的综述,阐述了弱监督方法的原理以及相对于全监督方法的优势,首发 ...
- 【技术综述】基于弱监督深度学习的图像分割方法综述
本文是基于弱监督的深度学习的图像分割方法的综述,阐述了弱监督方法的原理以及相对于全监督方法的优势. 作者 | 孙叔桥 编辑 | 言有三 1 基础概念 生活中,我们和周围的事物都是有"标签&q ...
- 论文阅读—图像分割方法综述(二)（arXiv:[cs:cv]20200410）
上一篇章,主要介绍了目前图像分割领域常用的基础网络结构,以及总结了十大图像分割算法,本节继续介绍剩余算法. 论文阅读-图像分割方法综述(一)(arXiv:[cs:cv]20200410) 论文阅读-图 ...
- 论文阅读—图像分割方法综述(三)（arXiv:[cs:cv]20200410）
前面介绍了分割领域常用网络架构及其相应的分割模型,本节主要介绍一些最受欢迎的图像分割数据集及其特征.此外还有评估基于深度学习的分割模型的常用指标.并报告了这些模型的定量结果和实验性能. 系列回顾 论文 ...
- 基于弱监督深度学习的医学图像分割方法综述
基于弱监督深度学习的医学图像分割方法综述 摘要:基于深度学习的医学影像分割尽管精度在不断的提升,但是离不开大规模的高质量标注数据的训练,被称为弱监督学习的深度学习的一个分支正在帮助医生通过减少对完整和 ...
- 上海交大华为：“非完全监督下基于深度学习的图像分割方法”最新综述
上海交通大学人工智能研究院杨小康.沈为团队联合华为田奇团队共同发布了非完全监督(即标签有限)下的图像分割方法最新综述"A Survey on Label-efficient Deep Seg ...
- 医学图像分割方法综述 -田捷
图像分割,这里分为以下几类: 一.基于区域的分割方法 思路:很好理解,应用这样一个基本事实--区域内特征的相似性.因为不同对象间特征是不连续的,同一对象内部特征是相似的. 1.使用阈值 假设目标和背景 ...
- 《预训练周刊》第19期：歧义短语的类量子语境性研究、自然语言处理中prompt方法的系统综述...
No.19 智源社区 预训练组 预 训 练 研究 观点 资源 活动 关于周刊 超大规模预训练模型是当前人工智能领域研究的热点,为了帮助研究与工程人员了解这一领域的进展和资讯,智源社区整理了第19期&l ...
- 综述的综述！5 篇2020 年「图像分割算法」最佳综述论文详解
在过去的一年中,计算机视觉领域出现了许多优秀的工作,并推动了相关领域的技术发展与进步.极市平台对2020年出现的全部计算机视觉综述论文进行了分方向梳理.本篇文章为2020年图像分割方向的综述论文汇总, ...
最新文章
- ubuntu 好玩多了
- Java调用JavaScript
- 助理来也胡一川：用数据驱动打造智能行业助理（技术+业务）
- 对VOC目标检测数据进行增强
- php实现单个用户禁止重复登录，防止同一用户同时登陆
- 处女篇：ObjectDataSource+CodeSmith实现基础增删改查功能
- SQL基础语句汇总-学习
- JavaScript判断数组的几种方法
- 如何解决“Appstore无法下载软件”的问题
- 点击计算机管理出现找不到文件,win10点击计算机管理时提示找不到文件如何办？...
- 欧格教育：提升店铺流量的方法
- 中国的阿甘——我很蠢，但我很幸运
- 使用孪生网络和零样本学习进行文本分类
- Error instantiating servlet class com.web.SelectAllServlet 所有的servlet都不能运行,终于找到解决办法
- UML类图属性和相关关系
- 基本不等式凸函数拉格朗日乘子
- 用耳机浏览器无声音的解决方法
- 项目实训第五周团队及个人进展汇报
- Pandas之unique和nunique傻傻分不清楚
- gif动态表情包在线制作的操作技巧