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
利用点云深度网络为统计形态建模提供一个未曾探索过的潜在方法,既能捕捉形态的人群统计特征,又能减少推理负担和放松输入要求,这为点云深度学习在形态分析文献中的发展和广泛应用奠定了基础。
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。
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。
May, 2024
该文章提出使用基于深度学习的新方法 Image2SSM 进行统计形状建模,通过图像分割对解剖形态进行低维度形状特征提取,构建具有数据自适应能力的解剖形态的统计学模型,可以处理大型数据集。实验结果表明,该方法相对于传统方法具有更好的效果。
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
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
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
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。
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。