多图谱分割：图谱的选择策略

基于多图谱的配准前图谱选择分割

不通过目标图像与图谱之间的相似度来选择图谱，而是通过图谱之间的匹配程度进行筛选，这个匹配程度计算属于预处理。
传统方法减少了传播图谱分割集之间的形状可变性。

1. 一对图像相互配准 n个图像n(n-1)次配准，计算Dice Similarity Coefficient。

2. 聚类处理 affinity propagation 我们基于两个论点选择了一种聚类算法:聚类算法必须能够处理非对称的相似性，并且期望的聚类数量事先不知道。这两个问题特别促使我们选择了一种叫做“亲和传播”的方法。

虽然亲和传播方法不需要设置簇的数量，但可以给出近似的簇大小。这很重要，因为簇的大小和数量决定了我们算法的成功:太多的小簇意味着许多样本必须完全注册到目标图像，并且在计算时间上的优势很小，而少数的大簇意味着样本及其集群的估计性能不准确。由于现有文献表明，在大多数应用中，如果使用超过20个地图集，基于地图集的分割准确率并没有提高，因此，本文的目标是使用大约20个地图集进行标签融合。我们没有使用由20个地图集组成的集群，而是将集群设置为大约10个地图集的大小。

假设如果一个聚类的样本配准到目标图像，那么它所代表的聚类中的图谱也会配准到目标图像。

所有图像都使用仿射配准，然后使用免费的配准包elastix进行非刚性b样条配准。利用每次配准所产生的变形场来传播运动图像的分割，然后将运动图像的分割与固定图像的分割进行比较，得到配准成功与否的衡量标准。