Point2SSM 是一种新颖的无监督学习方法，它可以直接从点云构建基于对应的解剖学统计形态模型（SSM），克服了传统方法的局限性，并且应用于构建解剖学 SSM 上的结果要优于现有网络，可以更好地捕捉人群水平的统计数据。
May, 2023
Mesh2SSM 是一种新的方法，它利用无监督的、置换不变的表示学习来估计如何将模板点云变形为特定主体的网格，并形成一个基于对应关系的形状模型。该方法可以直接对网格进行操作，且计算效率高，是传统的基于深度学习的 SSM 方法的有吸引力的替代方法。
基于统计形状建模（SSM）的对应关系是在临床研究中进行形态学分析的一种强大技术。Point2SSM++ 是一种基于深度学习的自我监督方法，从解剖形状的点云表示中直接学习对应点，旨在克服 SSM 在医学研究中的潜力未被充分利用的问题，并通过广泛的验证证明其在临床应用中的显著优势。
May, 2024
本研究提出一种无监督方法，利用深度几何特征和功能对应关系，同时学习复杂解剖学中的局部和全局形状结构，从而显著改善统计形状模型的无监督对应估计，并且精度高于基线方法，甚至在高度不规则的表面拓扑上也适用。
Apr, 2023
通过点云监督，提出了一种弱监督的深度学习方法来预测统计形态模型的构造，从而提高模型的训练可行性。
MASSM 是一种新的端到端深度学习框架，能够同时在图像中定位多个解剖结构，估计群体级别的统计表示，并勾画出每个解剖结构。
Mar, 2024
通过多尺度学习和形状先验，提出了一种新的训练策略 “渐进式 DeepSSM”，用于从医学图像中训练图像到形状深度学习模型，实验证明该策略提供了更好的模型性能。
Oct, 2023
SCorP, a novel framework leveraging unsupervised learning and shape priors, streamlines statistical shape modeling by predicting surface-based correspondences directly from unsegmented images.
Apr, 2024
基于深度学习模型的图像到统计形状模型 (Image-to-SSM) 的在线数据增强框架通过引入数据相关噪声生成或纹理增强，提供了改进的准确性，使模型能够关注底层几何形状而不仅仅依赖像素值。
Jul, 2023
统计形状建模（SSM）是一种用于分析解剖结构形态变异的定量方法。我们提出了一个扩展粒子形状建模（PSM）的方法，允许形状建模于任意感兴趣的解剖区域，并使用网格场来定义任意形状表面上的感兴趣区域。此方法通过加入二次惩罚方法实现了任意多种限制条件的计算机高效执行。我们通过在一个合成数据集和两个医学数据集上的实验证明了该方法的有效性。
Dec, 2023