用于严重程度量化的无监督形状正常性度量
计算机视觉与模式识别
2020-09-17 v2
摘要
本文描述了一种客观量化通用解剖结构形状异常程度的无监督方法。解剖畸形的严重程度常作为患者临床处理的决定因素。然而，专家个体间的经验偏差与独特随机残差会带来诊断及患者管理决策中的变异性，而与客观畸形程度无关。因此，在有标签的病理样本不足且不可避免地保留人类偏差与不一致的情况下，有监督方法易被误导。此外，表现出特定病症的受试者相对于正常人群天然稀少。为通过充分利用正常样本的力量来避免依赖充足的病理样本，我们提出形状正常性度量（SNM），其仅需从正常样本学习且对病理零知识。我们以从数据自动推断的 landmarks 表示形状，并以多元高斯分布建模正常组。在不同解剖数据集（包括颅骨、股骨、肩胛骨与肱骨）上的大量实验表明，SNM能提供有效的正常性度量，可显著检测并指示病理。因此，SNM在多种临床应用中具有可观价值。
引用
@article{arxiv.2007.09307,
title = {Unsupervised Shape Normality Metric for Severity Quantification},
author = {Wenzheng Tao and Riddhish Bhalodia and Erin Anstadt and Ladislav Kavan and Ross T. Whitaker and Jesse A. Goldstein},
journal= {arXiv preprint arXiv:2007.09307},
year = {2020}
}
备注
Add acknowledgements