Mar, 2024

基于图像的多解剖统计形状建模的端到端深度学习框架 MASSM

PDF
TL;DRMASSM 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。
statistical shape modelingdeep learninganatomical variationsanatomy localizationmassm
发现论文，激发创造
  • Mesh2SSM: 从表面网格到解剖统计形态模型

    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。

    May, 2023

  • 渐进式深度 SSM：图像到形状深度模型的训练方法

    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

  • S3M: 通过无监督对应关系实现可扩展统计形状建模

    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

  • 点云网络能否学习解剖结构的统计形态模型？

    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

  • Point2SSM++：从点云中自我监督学习解剖形状模型

    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

  • Point2SSM: 从点云中学习解剖结构的形态变异

    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

  • 从未分割的医学图像中的弱监督贝叶斯形状建模

    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

  • Image2SSM：基于径向基函数从图像中重新构建统计形状模型

    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。

    May, 2023

  • SCorP: 统计信息引导的密集对应点预测直接从非分割医学图像中

    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

  • ADASSM：来自图像的统计形状模型的对抗性数据增强

    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