Self-supervised Landmark Learning with Deformation Reconstruction and Cross-subject Consistency Objectives

要約

点分布モデル (PDM) は、ランドマーク点のセットに依存して形状を表し、形状の変化を特徴付ける統計形状モデル (SSM) の基礎です。
この研究では、PDM の特定の登録モデルからランドマーク ポイントを抽出する自己教師ありアプローチを紹介します。
ランドマークが位置合わせに最も影響を与える点であるという仮定に基づいて、既存の研究では、変形に最も影響を与えるランドマーク点を推定するために、少数の点を含む点ベースの位置合わせモデルを学習します。
ただし、このようなアプローチは、変形がポイントベースの位置合わせによって捕捉でき、品質のランドマークが変形捕捉目的のみで学習できることを前提としています。
影響力のあるランドマークポイントを抽出するために限られた数のポイントのみを使用する場合、複雑な変形を伴うデータはポイントベースの位置合わせでは簡単にモデル化できないと主張します。
さらに、既存のアプローチではランドマークの一貫性が保証されていません。これに対し、我々は、より正確な対応関係を取得できるように、ターゲットデータに合わせて調整された特定の登録モデルに基づいてランドマークを抽出することを提案します。
次に、予測されたランドマークの解剖学的一貫性を確立するために、モデルが対象者間で解剖学的に一貫しているランドマークを予測することを明示的に促すランドマーク発見損失を導入します。
私たちは変形性関節症の進行予測タスクに関する実験を実施し、私たちの方法が既存の画像ベースおよびポイントベースのアプローチよりも優れていることを示しました。

要約(オリジナル)

A Point Distribution Model (PDM) is the basis of a Statistical Shape Model (SSM) that relies on a set of landmark points to represent a shape and characterize the shape variation. In this work, we present a self-supervised approach to extract landmark points from a given registration model for the PDMs. Based on the assumption that the landmarks are the points that have the most influence on registration, existing works learn a point-based registration model with a small number of points to estimate the landmark points that influence the deformation the most. However, such approaches assume that the deformation can be captured by point-based registration and quality landmarks can be learned solely with the deformation capturing objective. We argue that data with complicated deformations can not easily be modeled with point-based registration when only a limited number of points is used to extract influential landmark points. Further, landmark consistency is not assured in existing approaches In contrast, we propose to extract landmarks based on a given registration model, which is tailored for the target data, so we can obtain more accurate correspondences. Secondly, to establish the anatomical consistency of the predicted landmarks, we introduce a landmark discovery loss to explicitly encourage the model to predict the landmarks that are anatomically consistent across subjects. We conduct experiments on an osteoarthritis progression prediction task and show our method outperforms existing image-based and point-based approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google