概率的3D对应预测从稀缺的未分割的图像
Krithika Iyer1,2, Shireen Y Elhabian1,2
1Scientific Computing and Imaging Institute, University of Utah, UT, USA.
Machine learning in medical imaging. MLMI (Workshop)
|November 18, 2024
概括
我们开发了SPI-CorrNet以从稀疏的医疗图像中改进统计形状建模 (SSM). 这种新的方法提高了准确性和稳定性,即使数据质量差.
科学领域:
- 医学成像分析分析 医学成像分析
- 生物医学工程 生物医学工程
- 计算解剖学的计算解剖学
背景情况:
- 统计形状建模 (SSM) 对于分析临床研究中的解剖形状和功能至关重要.
- 传统的SSM管道复杂且受到线性假设的限制,阻碍了对临床相关变异的捕获.
- 深度学习的进步允许从图像中直接推断SSM,但与数据质量差或稀疏性作斗争.
研究的目的:
- 提出SPI-CorrNet,这是一个统一的模型,用于从稀疏的成像数据中预测3D对应.
- 解决当前深度学习方法在具有挑战性的成像条件下对SSM的局限性.
- 为可靠的临床部署量化 aleatoric 不确定性.
主要方法:
- SPI-CorrNet利用教师网络进行特征学习规范化.
- 该模型通过预测内在输入方差来量化数据依赖的代数不确定性.
- 该方法可以从稀疏或低质量的医疗图像中直接推断SSM.
主要成果:
- 从稀疏的成像数据中生成SSM,SPI-CorrNet表现出更高的准确性和稳定性.
- 在LGE MRI左心室和腹腔CT-1K肝脏数据集上的实验验验证了模型的性能.
- 该方法有效地处理图像数据质量差和有限的信息.
结论:
- 对于稀疏的图像驱动的统计形状建模,SPI-CorrNet提供了一个强大的解决方案.
- 该模型提高了SSM在临床应用中的可靠性,特别是在具有挑战性的成像数据方面.
- 在医学图像分析中,量化定位不确定性是可靠人工智能的关键.
