Atlas-based segmentation 浅析

• 初见 —— Atlas-based segmentation

  Atlas 的中文翻译很贴切且形象，所谓“地图集”，直观来说，Atlas 就是人工标记完备的数据库。比如 BrainWeb 的 Atlas：在三维脑部CT数据中医生标注完备的各种脑部结构，如灰质、白质、海马等等结构。
  

  最早的 Atlas-based segmentation 是基于 nonrigid registration 技术，将 testing image 和当前 Atlas 内的数据进行配准，然后用 Label Propagation 方法将 Atlas 数据的 Label 通过 registration mapping corresponding 关系传递到 testing image 中，从而完成 testing image 的分割任务。
  很显然的，这种基于 registration 的分割方法高度依赖于 nonrigid registration 技术的准确性，然而当前技术的缺陷导致 nonrigid registration 准确性不高且计算复杂度高。

• 又见 —— nonlocal concept

  我们能不能不用 registration 技术而用一种较为简单的方法进行 label propagation？ 利用 nonlocal 非局部的思想，将 patch - patch 的匹配方法（fuzzy 而不是 one-to-one 的对应关系）应用于寻找对应关系。因此这种方法又被称为 patch-based segmentation。其中最最重要的假设： 如果 testing image 中的 patch 局部相似于 Atlas 中的 patch，则这些对应的 patch 应该具有相似的 label。所以其中关键问题在于：

  1. 如何衡量局部相似性？ —— 非局部思想
  2. 如何进行相似块之间的 label propagation？ ——pair-wise / group-wise

• 细看 —— Method analysis

  简单理解，就是可以用比较简单的方法 patch-based 而不是 registration 的方法进行 label propagation。

  • Corresponding Relationship 的确定
    用权重 表示当前 testing image 里面体素 x 和 atlas 中图像 中体素 y 的权重对应关系
    。
    可以认为 权重 表示 testing image 在 像素 x 处 和 图像 的像素 y 处的非局部相似性。

  
  因此根据上述的权重，即 corresponding relationship， label propagation 可以顺利展开。
  其中需要注意的点：一般的分割问题，尤其是脑部CT图像，testing image 和 atlas 里面的图像对应脑部结构的 location 并不会发生很大的变化。因此，在上述 corresponding 求解的过程中并不需要对所有的 y 进行搜索，可以将 y 限定在 x 的邻域中即可 —— 也即非局部方法中的搜索窗。（对于脑部图像可能不需要 pre-alignment）
  —— 基于图像块的相似性来衡量像素的相似性

• Label propagation —— pair-wise label propagation
  。若 atlas 中有多张图像，则一一进行上述计算。
  其中权重 w(x,y) 利用图像块的相似性求解得到， atlas 中的搜索像素 y 被限定在 搜索窗 N(x) 中，其对应的 label 为 L(y)。 注意在脑部分割中可以一个点对应 M 中结构，因此 。用上式可以得到 fuzzy label ，再转换成 hard label。

  需要注意，若 atlas 中有多张图像，则用上式形成多张 fuzzy segmentation 结果 和 hard segmentation 结果，然后再用 classifier combination 策略，将多个分割结果融合（如 Major Voting / STAPLE 方法）。

• Label propagation —— group-wise label propagation
  不同于上述 pair-wise label propagation 方法成对依次计算 testing image 和 atlas 中所有图像之间的关系，group-wise 的方法同时考虑 atlas 中所有图像，形成 testing image 的 segmentation 结果。
  从公式的角度也很明显，就是通过考虑 atlas 中的所有 n 张图像。
  然后得到 fuzzy segmentation ，再用相同的方法将其转变成 hard segmentation。

• Pointwise and Multipoint Estimation
  上述提及的 不管是 pair-wise 还是 group-wise 的方法都能对体素 x 生成 label vector L。但是我们回头看看在计算过程中，我们都是采用 patch-based 相似性度量来计算，因此能不能考虑在体素 x 处获得 patch label 信息，而不是 pointwise label 信息。这就是 Pointwise 和 Multipoint 的区别。
  考虑 group-wise label propagation 方法的 multipoint 估计版本：
  。其中最显著的特点就是 和 都是 label patch。
  其中值得注意的点是，label patch 的 overlap 现象导致 体素 x 有 N 个估计的 label —— 同样采用 classifier combination strategy。而且我们仅仅认为属于 P(x) 的体素 y 的 label 信息对于 x 有作用。

回首 —— Discussion
采用这样的 patch-based 方法相对于 registration-based 方法，放松了其中的 one-to-one的约束，可以认为是 one-to-many 的技术，从而使得多个 candidate patch 能够作用于 segmentation。