60、医学图像分割：从线性到非线性主动形状模型的探索

医学图像分割：从线性到非线性主动形状模型的探索

1. 医学图像分割的挑战与主动形状模型

在医学图像领域，准确分割器官是一项极具挑战性的任务。相邻结构常常被映射到相同的强度值范围，这使得检测它们的边界变得困难。为了应对这一挑战，利用器官形状的先验知识可以避免分割结果泄漏到相邻结构中。其中，主动形状模型（Active Shape Model，ASM）是一种广受欢迎的带有形状先验的分割算法。

1.1 线性统计形状模型（SSM）

线性SSM通过对训练形状进行主成分分析（PCA）来学习，这意味着它假设形状呈高斯分布。虽然该模型已成功应用于医学成像中各种结构的分割，但在某些情况下，这种假设并不成立。例如，由14个腰椎（L1 - L3）和9个胸椎（Th10 - Th12）椎骨组成的训练数据集，投影到前两个主成分时，每个椎骨类型（胸椎、腰椎）会形成一个聚类，而训练数据集的平均形状显示出胸椎和腰椎形状的特征，这种形状在人体中是不太可能出现的。

1.2 非线性模型的需求

为了更准确地描述此类数据集，需要非线性、多模态模型。文献中已经提出了几种用于ASM分割的非线性SSM扩展，如基于核主成分分析（Kernel Principal Component Analysis，KPCA）或高斯混合模型的方法。然而，这些方法很少应用于3D分割，因为3D分割通常面临形状高维性与训练样本数量少的巨大差距。

2. 统计形状模型与主动形状模型概述

2.1 统计形状模型（SSM）

在SSM中，每个训练形状由N个对应的地标表示，这些地标被连接成形状向量。通过Procrustes对齐计算形状的公共坐标系，线性SS