SCorP:从未分割的医学图像直接进行统计信息密集对应预测

科学领域:

• 医学成像分析分析 医学成像分析
• 计算解剖学的计算解剖学
• 机器学习在医疗保健中的应用

背景情况:

• 统计形状建模 (SSM) 量化了解剖学变异性,但资源密集.
• 传统的SSM方法和当前的深度学习方法需要人工监督,并因线性假设而与复杂的解剖学作斗争.

研究的目的:

• 引入SCorP,这是一个新的框架,用于从未分割的图像中无监督,直接预测基于表面的对应.
• 克服传统的SSM和深度学习方法的局限性,包括手动资源需求和线性假设.

主要方法:

• 开发了SCorP,这是一个利用从表面网格中无监督学习形状先验的框架.
• 在引导学生网络学习基于图像的功能以进行对应预测之前,利用了强大的形状.
• 消除了对训练监督的优化形状模型的需求.

主要成果:

• SCorP准确地从未分割的图像直接预测基于表面的对应.
• 该框架提高了图像驱动的SSM的准确性和稳定性.
• 在LGE MRI左心室和腹腔CT-1K肝脏数据集上证明有效性.

结论:

• SCorP提供了一种简化,无监督的SSM方法,减少手工和计算负担.
• 该方法减轻了线性假设,使复杂解剖学能够更好地建模.
• 为现有的完全监督的SSM技术提供了一个引人注目的,更有效的替代方案.