Weakly Supervised Bayesian Shape Modeling from Unsegmented Medical Images

解剖形态分析在临床研究和假设检验中发挥着关键作用，其中形态与功能之间的关系至关重要。基于对应关系的统计形态建模（SSM）促进了人群水平的形态计量，但需要繁琐的、可能引入偏差的构建流程。深度学习的最新进展简化了推断过程，通过直接从未分割的医学图像中提供SSM预测。然而，所提出的方法是完全监督的，需要利用传统的SSM构建流程来创建训练数据，因此继承了相关的负担和限制。为了解决这些挑战，我们引入了一种弱监督的深度学习方法，使用点云监督从图像中预测SSM。具体而言，我们提出减少与全贝叶斯变分信息瓶颈DeepSSM（BVIB-DeepSSM）模型相关的监督。BVIB-DeepSSM是一种有效的、有原则的框架，用于从图像中预测概率解剖形状，并量化两种不确定性：aleatoric和epistemic。原始的BVIB-DeepSSM方法需要以地面真实对应点的形式强制监督，而所提出的方法则利用点云表面表示进行弱监督，这更容易获得。此外，所提出的方法以完全数据驱动的方式学习对应关系，没有关于形状群体预期变异性的先验假设。我们的实验表明，与完全监督的情况相比，这种方法产生了类似的准确性和不确定性估计，同时大大增强了SSM构建的模型训练可行性。

论文旨在通过弱监督深度学习方法，使用点云监督来预测人体解剖形状模型，以减少传统建模流程中的监督负担和局限性。

论文提出了一种基于点云监督的弱监督深度学习方法，可以在没有地面真实对应点的情况下，从图像中预测解剖形状模型，同时学习到完全数据驱动的对应关系。

论文使用了深度学习方法来预测人体解剖形状模型，提高了模型训练的可行性和效率。实验结果表明，该方法在准确性和不确定性估计方面与完全监督的方法相似。

最近在这个领域中，还有一些相关研究，例如基于深度学习的完全监督方法，如BVIB-DeepSSM，以及其他人体解剖形状模型的构建方法，如基于对称性的方法和基于点云的方法。