稀疏无分割图像的概率 3D 对应预测
计算机视觉与模式识别
2024-07-03 v1
摘要
生理学研究表明，结构形式 (形状) 决定了解剖结构的功能，分析解剖结构的形式在临床研究中至关重要。统计形状建模 (SSM) 是进行解剖结构形式定量分析的常用工具，助力刻画并识别受试者群体中的差异。尽管具有实用性，但传统 SSM 构建流程往往复杂且耗时。此外，线性假设的依赖进一步限制了模型捕捉临床相关变异的能力。近期深度学习方法的发展使可直接从无分割医学图像推断 SSM，从而简化流程并提升可及性。然而，现有从图像中进行 SSM 的方法未充分考虑影像数据质量较差或仅提供稀疏信息的情况。此外，量化 aleatoric 不确定性（代表数据固有变异性）在确保深度学习临床任务可靠预测及稳健决策方面尤为关键，尤其是在挑战性影像条件下。因此，我们提出 SPI-CorrNet，一个统一模型，用于从稀疏影像数据预测 3D 对应点。它利用教师网络正则化特征学习，并通过适配网络预测内在输入方差来量化数据依赖的 aleatoric 不确定性。在 LGE MRI 心肌左心房数据集和 Abdomen CT-1K 肝脏数据集上的实验表明，该技术提升了稀疏图像驱动型 SSM 的准确性和鲁棒性。
引用
@article{arxiv.2407.01931,
title = {Probabilistic 3D Correspondence Prediction from Sparse Unsegmented Images},
author = {Krithika Iyer and Shireen Y. Elhabian},
journal= {arXiv preprint arXiv:2407.01931},
year = {2024}
}