基于形变重建与跨受试者一致性目标的自监督关键点学习
计算机视觉与模式识别
2023-08-10 v1
摘要
点分布模型(PDM)是统计形状模型(SSM)的基础,其依赖一组关键点来表示形状并刻画形状变化。在本工作中,我们提出一种自监督方法,从给定的配准模型中提取用于PDM的关键点。基于关键点是那些对配准影响最大的点的假设,现有工作通过学习基于点的配准模型并使用少量点来估计对形变影响最大的关键点。然而,此类方法假设形变可由基于点的配准捕获,且高质量关键点仅能通过形变捕获目标学习得到。我们认为,当仅使用有限数量的点来提取有影响力的关键点时,具有复杂形变的数据难以通过基于点的配准建模。此外,现有方法无法保证关键点的一致性。相反,我们提出基于针对目标数据定制的给定配准模型来提取关键点,从而可获得更准确的对应关系。其次,为建立预测关键点的解剖学一致性,我们引入关键点发现损失,显式鼓励模型预测跨受试者解剖学一致的关键点。我们在骨关节炎进展预测任务上进行实验,表明我们的方法优于现有的基于图像和基于点的方法。
引用
@article{arxiv.2308.04987,
title = {Self-supervised Landmark Learning with Deformation Reconstruction and Cross-subject Consistency Objectives},
author = {Chun-Hung Chao and Marc Niethammer},
journal= {arXiv preprint arXiv:2308.04987},
year = {2023}
}