动态多特征类高斯过程模型

在基于模型的医学图像分析中，三个感兴趣的特征是感兴趣结构的形状、它们的相对位姿以及代表某种物理特性的图像强度剖面。通常，这些特征通过统计模型分别建模，将对象的特征通过主测地线分析或主成分分析分解为一组基函数。本研究提出了一种用于自动学习医学图像中形状、位姿和强度特征的统计建模方法，我们称之为动态多特征类高斯过程模型（DMFC-GPM）。DMFC-GPM 是一种基于高斯过程（Gaussian process, GP）的模型，具有共享的潜在空间，可编码线性和非线性变化。我们的方法定义在连续域中，基于形变场，以一种原则性的方式在线性空间中表示形状、位姿和强度特征类。该方法采用基于形变场的度量来建模形状和强度特征变化以及比较刚性变换（位姿）。此外，DMFC-GPM 继承了 GP 固有的属性，包括边缘化和回归。它们还允许在图像采集过程获得的位姿特征变异性之上添加额外的位姿特征变异性，我们称之为置换建模。对于使用 DMFC-GPM 的图像分析任务，我们采用 Metropolis-Hastings 算法，使特征预测完全概率化。我们使用受控合成数据验证了该方法，并在肩部 CT 图像的骨骼结构上进行了实验，以说明模型在位姿和形状特征预测方面的有效性。模型性能结果表明，这种新的建模范式稳健、准确、易于使用，并具有潜在应用，包括肌肉骨骼疾病管理和临床决策。