基于神经流形变的无地标统计形状建模
计算机视觉与模式识别
2022-09-16 v1 机器学习
摘要
统计形状建模旨在捕捉给定人群中解剖结构的形状变化。形状模型被用于许多任务，如形状重建与图像分割，以及形状生成与分类。现有形状先验要么需要训练样本间的稠密对应，要么缺乏鲁棒性与拓扑保证。我们提出 FlowSSM，一种新颖的形状建模方法，可在无需训练实例间稠密对应的情况下学习形状变异性。它依赖于由神经网络参数化的连续形变流层级结构。我们的模型在为股骨远端与肝脏提供具表现力且鲁棒的形状先验方面优于最先进方法。我们展示了涌现的潜表示具有判别性，可将健康与病理形状分离。最终，我们在两项基于部分数据的形状重建任务上证明了其有效性。我们的源代码公开可用（https://github.com/davecasp/flowssm）。
引用
@article{arxiv.2209.06861,
title = {Landmark-free Statistical Shape Modeling via Neural Flow Deformations},
author = {David Lüdke and Tamaz Amiranashvili and Felix Ambellan and Ivan Ezhov and Bjoern Menze and Stefan Zachow},
journal= {arXiv preprint arXiv:2209.06861},
year = {2022}
}
备注
accepted for MICCAI 2022