S3M：基于无监督对应关系的可扩展统计形状建模
计算机视觉与模式识别
2023-07-25 v2 机器学习
摘要
统计形状模型（SSM）是一种表示群体解剖结构的成熟方法，具有多种临床相关应用。然而，它们通常需要领域专业知识以及劳动密集型的地标标注来构建。我们通过提出一种无监督方法来解决这些缺陷，该方法利用深度几何特征与函数对应关系，同时学习群体解剖结构中的局部与全局形状结构。与基线方法相比，我们的流程显著改进了 SSM 的无监督对应关系估计，即使在高度不规则的表面拓扑上也是如此。我们在两种不同的解剖结构上证明了这一点：甲状腺和一个多腔心脏数据集。此外，我们的方法足够鲁棒，可从有噪声的神经网络预测中学习，潜在地使得 SSM 能够扩展到更大的患者群体而无需手动分割标注。
引用
@article{arxiv.2304.07515,
title = {S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences},
author = {Lennart Bastian and Alexander Baumann and Emily Hoppe and Vincent Bürgin and Ha Young Kim and Mahdi Saleh and Benjamin Busam and Nassir Navab},
journal= {arXiv preprint arXiv:2304.07515},
year = {2023}
}
备注
Accepted at MICCAI 2023. 13 pages, 6 figures