SCorP：基于统计信息指导的医学图像直接对应关系预测
计算机视觉与模式识别
2024-05-24 v2
摘要
统计形状建模（SSM）是量化分析解剖结构几何变异的强大框架，推动了医学研究、诊断和治疗规划的发展。传统的从影像数据构建形状模型的方法需要大量人工和计算资源。此外，为了获得新数据的形状描述符（如表面点对应关系），必须重复整个建模流程。虽然深度学习方法在简化SSM构建方面显示出潜力，但它们仍然依赖传统方法来生成训练深度网络所需的监督信号。此外，传统方法主要基于线性假设，这限制了其表达能力，而基于这些方法训练的深度学习模型也继承了这一局限。因此，表示复杂的解剖结构仍然具有挑战性。为了解决这些问题，我们提出了SCorP，一种能够直接从非分割医学图像预测表面点对应关系的新框架。该模型利用从表面网格无监督学习到的形状先验，消除了对传统优化形状模型作为监督信号的需求。所提出的形状先验充当教师模型，规范并引导图像特征学习网络（学生模型），使其学习能够预测表面对应关系的图像特征。SCorP简化了训练和推理流程，同时摆脱了传统方法的线性假设限制。
引用
@article{arxiv.2404.17967,
title = {SCorP: Statistics-Informed Dense Correspondence Prediction Directly from Unsegmented Medical Images},
author = {Krithika Iyer and Jadie Adams and Shireen Y. Elhabian},
journal= {arXiv preprint arXiv:2404.17967},
year = {2024}
}