方法:简单的阈值和统计方法无法充分分割GBM的各个要素,例如局部对比增强,坏死和水肿。 大多数基于体素的方法无法在较大的数据集中获得令人满意的结果,并且基于生成或判别模型的方法在应用过程中存在固有的局限性,例如小样本集的学习和转移。 开发了一种新方法来克服这些挑战。 多模态MR图像使用算法来分割成超像素,以减轻采样问题并提高样品的代表性。 接下来,使用多级Gabor小波滤波器从超像素中提取特征。 基于这些特征,对肿瘤的支持向量机(SVM)模型和亲和力度量模型进行了训练,以克服以前的生成模型的局限性。 基于支持向量机和空间亲和力模型的输出,在我们的亲和力模型定义了平滑度的前提下,应用条件随机场理论以最大的后验方式分割肿瘤。 最后,使用“结构知识”消除了标记噪声,例如肿瘤在空间域的对称性和连续性...结果。该系统使用20个GBM病例和BraTS挑战数据集进行了评估。 计算骰子系数,其结果与Zikic等人报道的结果高度一致。 (MICCAI 2012,计算机科学讲座笔记,第7512卷,第369–376页,2012年)...结论..使用模型感知亲和力的脑肿瘤分割方法证明了其与其他最新算法的可比性。