一个生成形状的组合框架来合成虚拟金像群
IEEE transactions on neural networks and learning systems
|March 19, 2024
概括
本研究引入了一种新的生成模型,用不完整的成像数据创建现实的虚拟器官种群. 这种方法提高了虚拟器官用于医疗器械测试的可信性和可变性.
科学领域:
- 医学成像和计算解剖学的医学成像.
- 机器学习用于医疗保健应用程序
- 生物医学工程和设备开发.
背景情况:
- 产生多样化和可信的虚拟器官种群对于医疗器械的in silico试验 (IST) 至关重要.
- 由于不同的成像方式和临床途径,现有的方法在解剖学数据稀缺性和可变性方面扎.
- 缺失或部分重叠的解剖信息在人口数据集中的个人中很常见.
研究的目的:
- 开发一种能够从未配对和不完整的数据集中合成完整的多部分解剖结构的生成形状模型.
- 创建"虚拟幻象" (VCs),代表可信和可变的器官组合.
- 为解决人口研究医学成像数据异质性的挑战.
主要方法:
- 提出了一个基于图形神经网络的生成形状构成框架,包括一个部分意识生成模型和一个空间构成网络.
- 开发了一种新的自主监督学习方案,用于训练空间构成网络,使用部分重叠的数据和弱标签.
- 该框架应用于来自英国生物银行心脏磁共振 (MR) 成像数据的心脏结构.
主要成果:
- 提出的生成模型成功地合成了完整的多部分形状组件 (虚拟模拟器).
- 与基于主要组件分析 (PCA) 的形状模型相比,该方法在训练完全和部分重叠数据时表现出更好的概括性和特异性.
- 合成的心脏虚拟群体表现出更大的可信性,并捕获了更多的形状变化.
结论:
- 开发的生成形状模型有效地解决了解剖学数据集中的数据不完整性和异质性.
- "虚拟金像"方法提供了一种卓越的方法,可以为in silico试验生成现实的器官种群.
- 这项工作提升了为医疗器械研发创造全面虚拟群体的能力.


