論文の概要: Anatomically Parameterized Statistical Shape Model: Explaining
Morphometry through Statistical Learning
- arxiv url: http://arxiv.org/abs/2202.08580v1
- Date: Thu, 17 Feb 2022 10:56:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-18 15:49:49.484789
- Title: Anatomically Parameterized Statistical Shape Model: Explaining
Morphometry through Statistical Learning
- Title（参考訳）: 解剖学的パラメータ化統計形状モデル:統計学習による形態計測
- Authors: Arnaud Boutillon, Asma Salhi, Val\'erie Burdin, Bhushan Borotikar
- Abstract要約: 本研究は,解剖学的パラメータ化SSMの作成に解剖学的表現を用いることを実証する。
提案したモデルは、個体群間の骨形態の差異を分析し、患者固有の術前計画や外科内評価に組み込むのに役立つ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Statistical shape models (SSMs) are a popular tool to conduct morphological
analysis of anatomical structures which is a crucial step in clinical
practices. However, shape representations through SSMs are based on shape
coefficients and lack an explicit one-to-one relationship with anatomical
measures of clinical relevance. While a shape coefficient embeds a combination
of anatomical measures, a formalized approach to find the relationship between
them remains elusive in the literature. This limits the use of SSMs to
subjective evaluations in clinical practices. We propose a novel SSM controlled
by anatomical parameters derived from morphometric analysis. The proposed
anatomically parameterized SSM (ANAT-SSM) is based on learning a linear mapping
between shape coefficients and selected anatomical parameters. This mapping is
learned from a synthetic population generated by the standard SSM. Determining
the pseudo-inverse of the mapping allows us to build the ANAT-SSM. We further
impose orthogonality constraints to the anatomical parameterization to obtain
independent shape variation patterns. The proposed contribution was evaluated
on two skeletal databases of femoral and scapular bone shapes using clinically
relevant anatomical parameters. Anatomical measures of the synthetically
generated shapes exhibited realistic statistics. The learned matrices
corroborated well with the obtained statistical relationship, while the two
SSMs achieved moderate to excellent performance in predicting anatomical
parameters on unseen shapes. This study demonstrates the use of anatomical
representation for creating anatomically parameterized SSM and as a result,
removes the limited clinical interpretability of standard SSMs. The proposed
models could help analyze differences in relevant bone morphometry between
populations, and be integrated in patient-specific pre-surgery planning or
in-surgery assessment.
- Abstract（参考訳）: 統計的形状モデル(SSM)は、臨床実践において重要なステップである解剖学的構造の形態学的解析を行うための一般的なツールである。
しかし、SSMによる形状表現は形状係数に基づいており、臨床関連性の解剖学的尺度との明確な一対一の関係は欠如している。
形状係数は解剖学的測度の組み合わせを埋め込んでいるが、それらの関係を見つけるための形式化されたアプローチは、文献ではまだ解明されていない。
これにより、SSMの使用は臨床実践における主観評価に制限される。
形態計測解析から得られた解剖学的パラメータによって制御される新しいssmを提案する。
解剖学的パラメータ化SSM(ANAT-SSM)は,形状係数と選択された解剖学的パラメータの線形マッピングを学習することに基づく。
このマッピングは、標準SSMによって生成された合成集団から学習される。
マッピングの擬似逆数を決定することで、ANAT-SSMを構築することができます。
さらに, 独立な形状変化パターンを得るために, 解剖学的パラメータ化に直交性制約を課す。
本研究は, 臨床解剖学的パラメータを用いて, 大腿骨骨と肩甲骨形状の2つの骨格データベースを用いて評価した。
合成生成した形状の解剖学的指標は現実的な統計値を示した。
学習した行列は得られた統計的関係とよく一致し,2つのssmは見当たらない形状の解剖学的パラメータの予測において中程度から優れた性能を得た。
本研究は、解剖学的パラメータ化SSMの作成に解剖学的表現を用いており、その結果、標準SSMの限られた臨床解釈性は排除される。
提案モデルでは, 患者の骨形態計測の差異を解析し, 患者固有の手術前計画や手術中評価に組み込むことができる。
関連論文リスト
- Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - Simulation-based Inference for Cardiovascular Models [57.92535897767929]
シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。
臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。
我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
論文 参考訳（メタデータ） (2023-07-26T02:34:57Z) - Image2SSM: Reimagining Statistical Shape Models from Images with Radial
Basis Functions [4.422330219605964]
統計的形状モデリングのための新しい深層学習手法であるImage2SSMを提案する。
Image2SSMは、画像から直接形状の放射基底関数(RBF)に基づく表現を学習する。
解剖学的形状のアンサンブルの統計的ランドマークに基づく形状モデルを構築することにより、生物学的構造の個体群を特徴付けることができる。
論文 参考訳（メタデータ） (2023-05-19T18:08:10Z) - Mesh2SSM: From Surface Meshes to Statistical Shape Models of Anatomy [0.0]
我々は、教師なしの置換不変表現学習を利用して、テンプレートポイントクラウドを主題固有のメッシュに変形する方法を推定する新しいアプローチであるMesh2SSMを提案する。
Mesh2SSMは集団固有のテンプレートも学習でき、テンプレート選択によるバイアスを低減できる。
論文 参考訳（メタデータ） (2023-05-13T00:03:59Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳（メタデータ） (2023-04-15T09:39:52Z) - Statistical Shape Modeling of Biventricular Anatomy with Shared
Boundaries [16.287876512923084]
本稿では,共有境界を持つ多臓器解剖学の統計的形状モデルを構築するための汎用的で柔軟なデータ駆動手法を提案する。
心臓の共有境界における形状変化は、非協調的収縮と低臓器灌流を引き起こす潜在的な病理学的変化を示す可能性がある。
論文 参考訳（メタデータ） (2022-09-06T15:54:37Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳（メタデータ） (2021-04-07T01:15:06Z) - Predictive Modeling of Anatomy with Genetic and Clinical Data [18.062331119075928]
本報告では, 患者の解剖学的変化を予測するための半パラメトリック・ジェネレーション・モデルについて述べる。
我々は、個体群全体の回帰と、個々の遺伝的および臨床的指標に基づく被験者の健康の非パラメトリックモデルを組み合わせることで、解剖学的変化を捉えた。
論文 参考訳（メタデータ） (2020-10-09T18:30:15Z) - Benchmarking off-the-shelf statistical shape modeling tools in clinical
applications [53.47202621511081]
我々は、広く使われている最先端のSSMツールの結果を体系的に評価する。
解剖学的ランドマーク/計測推測および病変スクリーニングのための検証フレームワークを提案する。
ShapeWorks と Deformetrica の形状モデルは臨床的に関連する集団レベルの変動を捉えている。
論文 参考訳（メタデータ） (2020-09-07T03:51:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。