用到的Atlas:
(a)conventional atlas
(b) automatically computed rib bone models using Computed Tomography (CT) scans
(c) dual energy CXRs
Multi-atlas approach:
1.several atlas models are registered to the target image
2.the combination of all registered atlas models can be used as the final sementation
3.the registered atlas could be used as a prior for further segmentation stages
Data:
1.JSRT dataset:包含243幅胸片，其中有154幅胸片有肺结节，93幅没有肺结节。所有胸片大小为2048*2048，灰度范围为12bits
2.Montgomery dataset:包含138幅胸片，80幅是正常的，58幅是具有肺结核临床表现的，胸片大小4020*4892，灰度范围为12bits
3.Belarus dataset:包含169个病人的胸片和CT，分辨率为2248*2248（the CT images of this dataset to build reference rib-bone
boundaries.）
4.NIH-clinical center-dual energy images:包含不同射线能量的两种胸片
Assumption:
与组织中其他元素相比骨头有最高的放射密度，假设轴状面每一列最大强度值的像素对应骨组织
Methods:
第一步：图集筛选
目的：选出与目标X-ray最相似的肋骨模型，降低目标X-ray与图集之间的形状差异
先用双边滤波器对图像进行滤波，再用Canny边缘保持器得到X-ray的边缘图，效果如图：
测量相似度的距离公式如下：
其中，
是目标X-ray的二值边缘图，
是模型X-ray的二值边缘图，
是边缘像素的坐标，
是
中边缘像素数目
通过距离公式挑选出与目标X-ray最相似的n幅肋骨图集模型作为子集，然后通过配准建立一个特定目标的肋骨模型
第二步：图集配准
1.直方图均衡化，提高纹理和肋骨对比度
2.提取SIFT描述子及子区域的梯度方向直方图，根据SIFT描述子匹配像素，计算像素到像素的一致性
目标函数为：
通过优化目标函数计算p对应的流向量w
其中，P是X-ray的像素集，N是空间邻域集，S1和S2是SIFT图像，每个像素由一个sift描述子向量表达。
是p的流向量，t,d为阈值。
该目标函数第一项基于配准的流向量，根据SIFT描述子匹配像素；
第二项对流向量进行约束，使其尽可能小；
第三项约束邻域像素的流向量使其尽可能相似
配准之后得到的肋骨模型中每个像素的强度值为该像素属于肋骨的概率即肋骨概率图，如下图所示：
Experiments:
在每个图集上计算肋骨概率图，结果如图
Performance:
