学习笔记:Performance-Based Classifier Combination in Atlas-Based Image Segmentation Using Expectation-Maximization Parameter Estimation

Citation: Rohlfing T, Russakoff D B, Maurer Jr C R. Performance-based classifier combination in atlas-based image segmentation using expectation-maximization parameter estimation[J]. Medical Imaging, IEEE Transactions on, 2004, 23(8): 983-994.

学习者:陈俊

众所周知在模式识别领域,由独立的分类器组合的分类器的准确性一般比独自的分类器准确性要高.在这篇文章中,作者提出了两种方法来评估独立的分类器和有各独立的分类器组合的分类器的性能.第一种方法对每一个具有子序列的类独立地执行参数评估,第二种方法同时考虑所有的类.我们把它们运用到蜜蜂的大脑三维共焦显微镜图像的基于atlas部分来展示这些基于性能的融合方法的有效性。在两种评估方法的研究中,我们得出由多重个体基于登记的分割得到的分段比我们提出的两个分类器融合的方法更准确。

我们发现,通过用多重atlas,这个分段的准确性可以被提高,并且高于用单个atlas。特别地,我们展示了由组合的多重个体分割所产生的分段比单个的分割更准确。这个发现也同样适用于分类器的组合一般而言比单个分类器更准确在许多模式识别的应用中.在这篇文章中,作者提出了评估没有训练集的单个分类器的性能,如此可以消除对监督学习的要求。单个的分类器被组合在一起,通过评估他们的性能来看看它们是不是能取得好的效果。Warfield等人最近介绍了一种EM算法.我们发展了Warfield的对带有多重标签算法,形成了两个一般性概括。第一种方法对每一个具有子序列的类独立地执行参数评估,第二种方法同时考虑所有的类.

一、介绍了基本概念

1、基于Atlas的分类器

2、分类器的性能模型

二、性能参数评估

为了计算一个分类器的性能参数,它的输出需要和给定输入的标准分类器作比较,标准的分类器只能在监督训练中可用,在基于Atlas的分割中是不可能的,首先没有解决整个分割的问题。在不知道标准的情况下,性能参数评估只能通过一些近似的方法来做,这个部分呈现了两种这样的近似算法。一种是二进制性能模型,另一种是多类性能模型。

在二进制模型中,每一个分类器k的性能被两个系数描述:敏感度p和特征q。每个类i的系数可以通过下面的条件概率来定义:

多类性能模型:

而不是对每个类执行二进制STAPLE算法,同时处理所有的类并且精确量化对每个分类器的误分类行为。基于此,我们用贝叶斯分类器模型,在这里分类器k的结果用它的混合矩阵来描述。用下列的系数来直接表达条件概率:

三、评估研究

为了确定组合的分类器和单个分类器的准确性,他们的输出需要和实际的类分类器作比较。在本节中,作者描述验证实验来比较融合策略,来获得最优的分段,利用指定的标准和手工的片段。

在数值模拟研究,作者设计了评价研究得出了这样的结果:

两种EM算法效果更好一点,在两种EM算法中,二进制算法比多类方法表现得更好。在所有的例子中,单个分类器识别的比率比任何一个组合分结果都要低。

接下来,作者考虑当输入的分段有不同的错误等级时,用组合方法的分类器的性能。对三个变形的幅值(10,20,30um),选择第一个n=3,5,7随机分段。在图中展示了结果:

随着更多分段的增加,所有三种组合方法的识别率也增加,然而,这个多类EM算法性能超过了二进制模型的算法。两种EM方法都超过了求和原则组合的方法。

从上一节可以看出单个分段的性质对分类器组合方法的性能有影响。这部分描述和分析分类器的组合技术应用到实际基于Atlas的分段的评估。参数评估的准确性,EM的两种方法都计算出了相对准确的对真实的敏感参数的评估。分割的准确性,容易看出三种决策融合方法的每一个都比基于Atlas分割(用单个Atlas)产生更准确的分段。在两个决策融合方法之中,这个基于二进制性能模型的EM算法超过了求和原则的融合。但是,基于多类性能模型的EM算法都超过了这两个算法。

模拟和实际应用的比较

第一个数值模拟不同于第二个模拟和实际的分段。通过从不同的类组合多重模拟分段在第二个数值模拟中,实际分段这方面被更好地模拟了。二进制和多类模型算法的相对性能跟第二个数值模拟和实际应用很相似。二进制模型可能更好地利用了分类器之间的同等性能,然而,它也表明这并不是一个真实的情况。

四、总结

最后作者总结道,在文章中所描述的两种方法,是简洁和有效地算法来评估分类器的性能,和提高一个多分类器系统的整体组合准确性。特别地作者提到,这些方法可以提高组合基于登记的多重分割所得到的的基于Atlas的分割的准确性。可以通过基于EM性能评估来评价它们。

 

 

anyShare分享到:
This entry was posted in 研究探索 and tagged , , , . Bookmark the permalink.

One Response to 学习笔记:Performance-Based Classifier Combination in Atlas-Based Image Segmentation Using Expectation-Maximization Parameter Estimation

  1. 王爱国 says:

    不错的文章,对研究分类器组合有借鉴意义。笔记中如果对EM算法在基于地图集分割的应用中,给出估计哪些参数,会使笔记内容更加完整。另外一些词翻译的不太准确。

发表评论