统计形状建模是表征解剖形态变化的重要工具。使用3D成像和随后的配准,分割以及将形状特征或投影提取到一些较低维度形状空间上的管道来测量感兴趣的典型形状,这有助于随后的统计分析。已经提出了许多用于构造紧凑形状表示的方法,但是对于图像预处理操作的序列通常是不切实际的,其涉及用户的显着参数调整,手动描绘和/或质量控制。我们提出DeepSSM:一种深度学习方法,可以直接从3D图像中提取低维形状表示,几乎不需要参数调整或用户辅助。 DeepSSM使用卷积神经网络(CNN)同时定位感兴趣的生物结构,建立对应关系,并将这些点投影到点分布模型中PCA加载形式的低维形状表示。以克服有限可用性的挑战在训练图像时,我们提出了一种新颖的数据增强程序,该程序使用现有的对应关系,利用形状统计的相对较小的一组处理图像来创建具有已知形状参数的可塑训练样本。因此,我们将有限的CT / MRI扫描(40-50)用于训练CNN所需的数千个图像。在训练之后,CNN自动为看不见的图像产生精确的低维形状表示。我们验证了DeepSSM的三种不同应用,这些应用与儿科颅脑CT的建模有关,用于表征特应性颅缝早闭,股骨CT扫描识别由于股骨髋臼撞击引起的髋关节形态畸形,以及左心房MRI扫描,用于心房颤动复发预测。
translated by 谷歌翻译