单连通二维形状的贝叶斯分层建模
统计方法学
2015-03-20 v1
摘要
图像中形状分布的模型可广泛应用于生物医学领域，从靶向放射治疗的肿瘤追踪到血样中的细胞分类。我们关注的是单连通二维闭合曲线的形状和大小的分层概率模型，通过建模整条曲线并借用相关对象间曲线的信息，避免了指定地标点的需要。主流方法采用根本不同的策略，先提供曲线和/或地标点位置的初始点估计，再将其输入后续统计分析。这种两阶段方法忽略了第一阶段的不确定性，并且在估计对象形状和大小时不允许跨对象借用信息。我们的全贝叶斯分层模型基于循环基函数表征线性组合中的多尺度变形，这有助于在考虑不确定性的情况下自动对齐不同曲线。该表征在表示二维闭合曲线方面被证明高度灵活，从而产生具有大支撑的非参数贝叶斯先验。我们开发了高效的马尔可夫链蒙特卡罗方法，用于同时分析多个对象。这些方法通过模拟示例进行评估，并应用于酵母细胞成像数据。
引用
@article{arxiv.1201.1658,
title = {Bayesian hierarchical modeling of simply connected 2D shapes},
author = {Kelvin Gu and Debdeep Pati and David B. Dunson},
journal= {arXiv preprint arXiv:1201.1658},
year = {2015}
}
备注
24 pages, working manuscript