基于软 Jaccard 指数与三维关键点集的高效成对神经影像分析

我们提出一种用于大规模医学图像索引的图像关键点集之间的新型成对距离度量。我们的度量通过自适应核框架对关键点元素间的软集等价（SSE）进行建模，推广了 Jaccard 指数，以刻画关键点外观与几何中的不确定性。我们提出一种新的核来量化关键点几何在位置与尺度上的变异性。通过关键点索引，我们的距离度量可在 $O(N\log N)$ 次操作内对 $O(N^2)$ 个图像对进行估计。实验报告了利用 434 个家庭的 1010 个 T1 加权 MRI 脑体积（包括同卵和异卵双胞胎、兄弟姐妹及共享 100%–25% 多态基因的同父异母/同母异父兄弟姐妹）从医学图像预测家庭关系的首批结果。软集等价与关键点几何核在预测家庭关系上优于标准的硬集等价（HSE）及仅用外观核。同卵双胞胎识别率接近 100%，且三名基因型不确定的受试者被自动与其自报家庭配对，这是首个报道的基于图像的家庭识别实际应用。我们的距离度量也可用于预测组别类别，性别预测 AUC=0.97。我们提供了用于高效细粒度整理大型通用图像数据集的软件。