Markov Náhodné Polia

Link: http://dbm.neuro.uni-jena.de/vbm/markov-random-fields/

Teórie

Môžeme voliteľne použiť informácie pred použitím Hidden Markov Náhodné Oblasti (HMRF) model. Pomocou tohto modelu sme zaviesť priestorové obmedzenia založené na susedné voxels z 3x3x3 kocky. Centrum voxel má 26 susedmi a môžeme vypočítať MRF energie počítať počet susedov. Susedné voxels sa očakáva, že majú rovnaké triedy štítky. Pred pravdepodobnosť triedy a pravdepodobnosť pravdepodobnosť pozorovanie je kombinované na odhad Maximálneho a posteriori (MAPA). Pred pravdepodobnosť môže byť vážený medzi 0 (č HMRF) a 1 (maximálna HMRF pre veľmi hlučné údajov) na pokrytie rôzne hladiny hluku. Časti tejto verzie sú založené na vykonávanie Gaussova Hidden Markov Náhodné Oblasti (GHMRF) prístup Meritxell Bach Cuadra et al. (2005).

Zámerom je odstrániť izolované voxels jedného tkaniva trieda, ktorá je nepravdepodobné, že sa člen tohto typu tkaniva. Okrem toho zatvorí otvory v klastri pripojených voxels jedného typu tkaniva. Vo výslednej segmentácia hladina hluku bude minimalizované.

V závislosti od vášho skenera a používa PÁN postupnosť vaše T1-obrázky budú obsahovať minimálne 3% úroveň hluku. Preto by som odporučil pre väčšinu obrázkov stredne HMRF váhy 0.3. Ak vaše obrázky sú ovplyvnené viac hluku úrovni si môžete vybrať väčšie HMRF váhu.

Výsledné súbory sú označené pojmom “_HMRF” na konci názvu súboru.

MRF energie


MRF-energie
MRF energie Ux je caclulated počítať počet neigbouring voxels jedného tkaniva triedy v 3x3x3 kocky. Z horného rohu do pravého existujú rôzne konfigurácie sa zobrazujú zo Ux=0 (žiadny susedia) až Ux=-26 (maximálny počet 26 susedia)

Používanie MRF pred pravdepodobnosť


Bayes-MRF
Na základe MRF energie počítame MRF pred pravdepodobností pre každý tkaniva triedy. Toto predbežné je v kombinácii s pravdepodobnosti pravdepodobnosť, z segmentácia krokom do spoločného zadným pravdepodobnosti. Suma, na ktorú sa tento predchádzajúce informácie sa používajú môžu byť riadené s váhový faktor beta

Účinok zníženia šumu


MRF-zníženie hluku-
V centre môžeme vidieť výsledok šedá ohľadu na členitosť terénu pravdu obrázok z brainweb databázy bez akéhokoľvek hluku. Spodný panel zobrazuje zväčšené zobrazenie preukázať segmentácia kvality. Na ľavej výsledok s hladina hluku 9% je zobrazený kvalita obrazu je znehodnotená. Na pravej strane môžeme vidieť výsledok s MRF žiadosti a výške hluku v segmentácia je významne znížená.

Porovnaní s segmentácia bez MRF prístup


SPM2-SPM5-MRF
Ak chcete overiť uplatnenie MRF používame zem pravdu obrázok z brainweb databázy s rôznymi hladinami hluku z 1..9%. Segmentácia presnosť pre šedej hmoty sa vypočíta pomocou kappa coefficent. Kappa koeficient 1 znamená, že nie je dokonalé prekrytie medzi zemou pravdu odkaz a segmentácie obrazu. Bez uplatňovania MRF kappa koeficient je oveľa nižšia, pre väčšie úrovne hluku, pretože sa znížil signál-šum. Uplatnením MRF sme získali väčšie kappa koeficienty pre úroveň hluku >3-5%. Obvyklá úroveň hluku v štandardnom T1 obrázok je okolo 3% alebo vyššie, teda uplatňovanie MRF pomáha pri získavaní presnejšie segmentations.