基于无标记医学影像的弱监督贝叶斯形状建模
计算机视觉与模式识别
2024-05-17 v1
摘要
解剖形状分析在临床研究和假设检验中发挥关键作用，其中形态与功能之间的关系至关重要。依据 correspondence 的统计形状建模 (statistical shape modeling, SSM) 促进了人口水平的形态测量，但需要繁琐且可能引入偏差的构建管道。近期深度学习的进展在推断中简化了此过程，通过直接从无标记医学影像提供 SSM 预测。然而，所提出的方法是 fully 监督的，需要利用传统 SSM 构建管道创建训练数据，从而继承相关的负担和局限性。为解决这些挑战，我们引入一种弱监督的深度学习方法，从医学影像预测 SSM 使用点云监督。具体而言，我们提出了减少来自最先进的 fully 贝叶斯变分信息瓶颈 DeepSSM (BVIB-DeepSSM) 模型监督的办法。BVIB-DeepSSM 是一个有效、原则性的框架，用于从医学影像预测概率解剖形状，并量化 both aleatoric 和 epistemic 不确定性。与原始 BVIB-DeepSSM 方法不同，后者需要以 ground truth correspondence 点的强监督形式，所提出的方法利用 point cloud surface 表示的弱监督，这些表示更容易获得。此外，所提出的方法完全以数据驱动方式学习 correspondence，而无需对 shape cohort 中预期变异性进行先验假设。我们的实验表明，该方法在 accuracy 和 uncertainty estimation 上与 fully 监督情景相当，同时大大增强了 SSM 构建的模型训练可行性。
引用
@article{arxiv.2405.09697,
title = {Weakly Supervised Bayesian Shape Modeling from Unsegmented Medical Images},
author = {Jadie Adams and Krithika Iyer and Shireen Elhabian},
journal= {arXiv preprint arXiv:2405.09697},
year = {2024}
}