MASSM:一个端到端的深度学习框架,用于直接从图像中进行多解剖统计形状建模
Janmesh Ukey1,2, Tushar Kataria1,2, Shireen Y Elhabian1,2
1Kahlert School of Computing, University of Utah.
Shape in medical imaging : International Workshop, ShapeMI 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 6, 2024, Proceedings. ShapeMI (Workshop) (2024 : Marrakech, Morocco)
|December 9, 2024
概括
本研究介绍了MASSM,这是一个用于自动化统计形状建模 (SSM) 的深度学习框架. MASSM同时定位和划分多个解剖学,克服了手动细分的局限性,并改善了医学成像中的形状分析.
科学领域:
- 医疗成像医学成像
- 计算解剖学的计算解剖学
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 统计形状建模 (SSM) 分析了解剖变异,但需要手动细分,限制了它的效率.
- 目前用于SSM的深度学习方法通常需要手动预调整和界限框规范.
- 现有的方法在图像空间中的多重解剖学和直接划分方面扎.
研究的目的:
- 引入MASSM,这是一个自动化SSM的全新端到端深度学习框架.
- 为了实现同时定位,统计表示估计,并划分多个解剖学.
- 克服手动细分和部分手动推理过程的局限性.
主要方法:
- 开发了一种多任务深度学习网络 (MASSM),用于同时进行解剖本地化和形状表示.
- 在未分割的图像上训练框架,以生成人口级统计表示.
- 启用了对多个解剖学图像空间中的形状表示的直接划分.
主要成果:
- MASSM成功地自动化了本地化,统计表示估计和多个解剖学的划分.
- 与传统的细分网络相比,该框架提供了优越的形状信息.
- 马斯姆展示了比像素智能细分更准确和更全面的形状表示.
结论:
- 马斯姆为统计形状建模提供全自动化解决方案,消除了手动细分的需要.
- 多任务方法有效地处理多个解剖学,增强形状分析能力.
- 在医疗成像任务中,MASSM比传统的细分方法有了显著的进步.
