形状、图像特征与临床指标的个体化条件联合模型

我们提出并演示了一种用于统计形状建模和医学图像分析的解剖形状、图像特征与临床指标的联合模型。核心思想是利用 copula 模型将联合依赖结构与感兴趣变量的边际分布分离。这种分离为建模过程中所做的假设提供了灵活性。所提方法可处理二值、离散、有序和连续变量。我们展示了一种将二值、离散和有序变量纳入建模的简单高效方式。我们基于观测到的部分临床指标、特征或基于捕获依赖结构的高斯过程的形状，构建了贝叶斯条件模型。我们将所提方法应用于卒中数据集，联合建模侧脑室形状、与脑室周围白质病相关的白质高信号空间分布以及临床指标。所提方法产生了用于数据探索的可解释联合模型以及用于医学图像分析的个体化统计形状模型。