高斯过程光滑统计形状模型在髋关节发育不良诊断中的优势
机器学习
2025-09-24 v2
摘要
发育不良是髋关节骨关节炎（OA）的已知风险因素，早期诊断发育不良对于提供旨在降低髋关节OA风险的手术干预机会至关重要。我们开发了一个用于半自动分类髋关节发育不良的管道，将体积CT扫描的患者髋部图像与最小临床注释 landmarks 结合，将高斯过程潜在变量模型框架与光滑映射相结合，创建统计形状模型，我们称之为高斯过程光滑统计形状模型（Gaussian Process Diffeomorphic Statistical Shape Model, GPDSSM）。我们使用了192个CT扫描，其中100个用于模型训练，92个用于测试。GPDSSM能够有效区分发育不良样本与对照组，同时标记出显示发育不良变化的底层表面区域。除了在角度基方法（AUC 96.2% vs 91.2%）中提高分类准确率外，GPDSSM还能通过消除对手动测量角度和解释2D扫描以寻找发育不良标记物的需求，节省临床医生的时间。
引用
@article{arxiv.2506.04886,
title = {Gaussian Process Diffeomorphic Statistical Shape Modelling Outperforms Angle-Based Methods for Assessment of Hip Dysplasia},
author = {Allen Paul and George Grammatopoulos and Adwaye Rambojun and Neill D. F. Campbell and Harinderjit S. Gill and Tony Shardlow},
journal= {arXiv preprint arXiv:2506.04886},
year = {2025}
}