解剖学参数化统计形状模型：通过统计学习解释形态测量

统计形状模型（SSMs）是进行解剖结构形态分析的流行工具，而后者是临床实践中的关键步骤。然而，通过 SSM 的形状表示基于形状系数，并缺乏与临床相关解剖测度之间的显式一一对应关系。虽然形状系数嵌入了解剖测度的组合，但寻找它们之间关系的形式化方法在文献中仍难以捉摸。这限制了 SSM 在临床实践中仅用于主观评估。我们提出一种由形态测量分析导出的解剖参数所控制的新型 SSM。所提出的解剖学参数化 SSM（ANAT-SSM）基于学习形状系数与选定解剖参数之间的线性映射。该映射由标准 SSM 生成的合成群体学习得到。确定映射的伪逆使我们能够构建 ANAT-SSM。我们进一步对解剖参数化施加正交约束以获得独立形状变异模式。所提出的贡献在股骨与肩胛骨形状的两个骨骼数据库上使用临床相关解剖参数进行了评估。合成生成形状的解剖测度展现出真实的统计特性。学习到的矩阵与所获得的统计关系良好吻合，而两个 SSM 在预测未见形状的解剖参数上取得了中等至优异的性能。本研究展示了使用解剖表示创建解剖学参数化 SSM，并由此消除了标准 SSM 有限的临床可解释性。所提出的模型可帮助分析人群间相关骨形态测量的差异，并可整合入患者特异性术前规划或术中评估。