基于判别流形概率建模的进行性脊柱畸形3D形态预测
机器学习
2017-01-25 v2 机器学习
摘要
我们提出了一种新方法，用于从双平面X射线图像重建的3D脊柱模型预测青少年特发性脊柱侧凸的进展。机器学习的最新进展已允许提高分类和预后率，但缺乏用于度量数据不确定性的概率框架。我们提出了一种判别性概率流形嵌入，其中局部线性映射将数据点从高维空间变换到相应的低维坐标。构建判别邻接矩阵以最大化诊断为脊柱侧凸的进展性与非进展性患者组之间的分离，同时最小化属于同一类的潜变量之间的距离。为预测变形演化，将基线重建投影到流形上，从中基于从邻近样本推断的平行传输曲线建立时空回归模型。进展速率由3D脊柱变形的脊柱柔韧性和曲线幅度调节。该方法在来自133名受试者的745次重建上使用 longitudinal 3D脊柱重建进行了测试，结果表明该判别框架能以81%的分类率识别进展性与非进展性脊柱侧凸患者，且主弯角度预测差异为2.1，优于其他流形学习方法。与其他学习方法相比，我们的方法实现了更高的预测精度，并改进了高度变形脊柱的时空形态变化建模。
引用
@article{arxiv.1701.04869,
title = {3D Morphology Prediction of Progressive Spinal Deformities from Probabilistic Modeling of Discriminant Manifolds},
author = {Samuel Kadoury and William Mandel and Marjolaine Roy-Beaudry and Marie-Lyne Nault and Stefan Parent},
journal= {arXiv preprint arXiv:1701.04869},
year = {2017}
}