利用统计形状模型高效生成带注释训练数据的策略：以肝脏标志点分割为案例
计算机视觉与模式识别
2026-03-17 v1 图像与视频处理
摘要
解剖标志点分割是计算机辅助干预中实现稳健多模态配准的关键初始步骤。当前方法主要依赖深度学习，往往需要大量手动生成注释数据集。本文提出一种新颖策略，通过仅手动标注一次的均形统计形状模型（SSM）生成大规模注释数据集。我们通过应用于深度学习驱动的解剖标志点分割，具体针对 3D 肝脏形状中的前沿脊和弓状 ligament 进行检测，展示了该方法的有效性。使用 SSM 生成的 8800 个带注释的肝脏形状训练了专用深度学习网络。在 500 个未见的合成 SSM 形状上进行评估，平均交并比为 91.4%（前沿脊为 87.4%，弓状 ligament 为 87.6%）。随后将网络应用于临床患者肝脏形状，定性评估显示出鼎舞效果，突显了所提方法的通用性。我们的发现表明，SSM 驱动的数据生成方法减轻了手动标注的费时过程，同时实现了机器学习中大规模注释训练数据的创建。虽然本研究聚焦于肝脏解剖，但所提方法ological潜力广泛适用于注射训练数据集在开发准确深度学习模型中发挥关键作用的领域。
引用
@article{arxiv.2603.13969,
title = {Leveraging a Statistical Shape Model for Efficient Generation of Annotated Training Data: A Case Study on Liver Landmarks Segmentation},
author = {Denis Krnjaca and Lorena Krames and Werner Nahm},
journal= {arXiv preprint arXiv:2603.13969},
year = {2026}
}