一种无需标注学习形状与外观模型的算法

本文提出了一种用于自动学习医学（及某些其他）图像形状与外观模型的框架。其基于这样一种思想：拥有更精确的形状与外观模型可带来更精确的图像配准，而这反过来又会产生更精确的形状与外观模型。这自然引出了一种迭代方案，该方案基于一个概率生成模型，并在类 EM 框架内使用 Gauss-Newton 更新进行拟合。它的开发旨在实现脑图像数据的分布式隐私保护分析，使得共享信息（形状与外观基函数）可跨站点传递，而编码个体图像的潜变量在每个站点内保持安全。这些潜变量被提议作为隐私保护数据挖掘应用的特征。该方法在 2D 人脸图像 KDEF 数据集上定性展示，表明其能够对齐传统上需要使用手动标注数据（手动定义地标等）训练的形状与外观模型的图像。它应用于手写数字 MNIST 数据集以展示其在机器学习应用中的潜力，尤其在训练数据有限时。该模型能够处理“缺失数据”，从而可通过预测留出体素的好坏进行交叉验证。通过将模型应用于包含来自 COBRE 和 ABIDE 数据集图像的超过 1,900 张分割 T1 加权 MR 图像的数据集，评估了所得特征在将个体分类为患者组方面的适用性。