MASSM: An End-to-End Deep Learning Framework for Multi-Anatomy Statistical Shape Modeling Directly From Images

统计形态建模（SSM）是一种有效的方法，用于定量分析人群内解剖变异。然而，它的实用性受制于需要手动分割解剖结构的限制，这项任务依赖于医疗专业人员的稀缺专业知识。深度学习的最新进展提供了一种有前途的方法，可以从未分割的图像自动生成统计表示。一旦训练完成，这些基于深度学习的模型就可以消除新主体需要手动分割的需要。然而，大多数当前方法仍需要手动预对齐图像体积，并在推理前指定目标解剖结构周围的边界框，导致部分手动推理过程。最近的方法可以促进解剖学定位，但仅在人群水平上估计统计表示。然而，它们无法直接在图像中勾画解剖结构，并且仅限于对单个解剖结构进行建模。在这里，我们介绍了MASSM，一种新型的端到端深度学习框架，可以同时定位图像中的多个解剖结构，估计人群水平的统计表示，并勾画每个解剖结构。我们的发现强调了局部对应的关键作用，展示了它们在提供医学成像任务的优越形状信息方面的不可或缺性。

论文旨在解决通过深度学习自动化生成统计形态模型的问题，以消除手动分割的需求，同时提高解剖学变异性的定量分析效果。

MASSM是一个全新的端到端深度学习框架，可以同时定位图像中的多个解剖学结构，估计人群水平的统计表示，并勾勒出每个解剖学结构。

MASSM可以自动化生成统计形态模型，消除手动分割的需求，并提高解剖学变异性的定量分析效果。MASSM可以同时定位图像中的多个解剖学结构，并勾勒出每个解剖学结构，提供更好的形状信息。MASSM在多个数据集上进行了实验，并证明了其性能优于当前最先进的方法。

最近的相关研究包括DeepAtlas、DeepEM、DeepLabCut、DeepSDF等。