Weakly SSM : On the Viability of Weakly Supervised Segmentations for Statistical Shape Modeling

统计形状模型（SSM）在识别人群解剖结构变异方面表现出色，这是各种临床和生物医学应用的核心，包括基于形态学的诊断和手术规划。然而，SSM 的有效性往往受到专家驱动手动分割的必要性的限制，这是一种既费时又昂贵的过程，从而限制了它们的广泛应用和效用。最近，深度学习方法使得能够直接从未分割的图像中估计统计形状模型（SSM）。虽然这些模型可以在部署过程中在没有分割的情况下预测 SSM，但它们并没有解决获取用于训练所需的手动注释的挑战，特别是在资源有限的情况下。半监督和基础模型用于解剖分割可以减轻注释负担。然而，尽管有大量可用的方法，但没有建立指导最终用户对于构建SSM的有效性的指南。在本研究中，我们系统评估了弱监督方法作为手动分割构建SSM可行替代方案的潜力。我们通过采用不同的半监督和基础模型方法进行解剖分割，在低注释设置下利用预测的分割结果进行SSM任务，建立了一个新的性能基准。我们比较了形状变异的模式，并使用定量指标与从手动注释数据集派生的形状模型进行比较。我们的结果表明，一些方法会产生噪声分割，这对于SSM任务非常不利，而另一些方法可以在人群队列中捕捉正确的变异模式，并且可以将手动注释的要求降低60-80％。

本文试图解决通过半监督和基础模型方法进行解剖分割，以构建统计形状模型的问题，以减少手动注释的负担。

本文系统评估了弱监督方法作为构建统计形状模型的手动注释替代品的潜力，建立了一个新的性能基准，并比较了各种半监督和基础模型方法的效果。

本文使用了半监督和基础模型方法进行解剖分割，以构建统计形状模型，实验结果表明，一些方法可以捕捉人群队列中正确的变化模式，并且可以减少60-80％的手动注释。

最近的相关研究包括使用深度学习进行解剖分割的方法，以及使用半监督和基础模型方法的方法。