统计形状分析中的混杂变量处理——在心脏重构中的应用
计算机视觉与模式识别
2020-07-29 v1
摘要
统计形状分析是评估器官形态并发现与特定疾病相关的形状变化的有力工具。然而，若不考虑人口统计学等混杂因素的不平衡，可能会使分析失效。尽管该领域在方法学上取得了进展，提出了能够捕捉复杂和区域性形状差异的新方法，但非影像信息与形状变异性之间的关系一直被忽视。我们提出了一个线性统计形状分析框架，可找出与一组受控混杂变量无关的形状差异。它包含两种混杂校正方法：混杂 deflation（ deflation， deflation 法）与调整（adjustment）。我们将该框架应用于一个心脏磁共振成像数据集，该数据集包含 89 名铁人三项运动员和 77 名对照者的心室，以识别因耐力运动练习引起的心脏重构。为检验对混杂因素的鲁棒性，我们通过随机移除低体重指数的对照者生成该数据集的子集，从而引入不平衡。对完整数据集的分析表明运动员的心室容积和心肌质量增加，这与临床文献一致。然而，当不考虑混杂因素时，未发现心肌质量增加。使用降采样数据集，我们发现需要混杂调整方法才能在失衡数据集中找到真实的重构模式。
引用
@article{arxiv.2007.14239,
title = {Handling confounding variables in statistical shape analysis -- application to cardiac remodelling},
author = {Gabriel Bernardino and Oualid Benkarim and María Sanz-de la Garza and Susanna Prat-Gonzàlez and Álvaro Sepulveda-Martinez and Fàtima Crispi and Marta Sitges and Mathieu De Craene and Bart Bijnens and Miguel Ángel González Ballester},
journal= {arXiv preprint arXiv:2007.14239},
year = {2020}
}
备注
This paper has been acccepted for publication in Medical Image Analysis. Please find the final version with its supplementary materials at doi.org/10.1016/j.media.2020.101792. Shared under license CC-BY-NC-ND