[论文解读] A statistical shape model for radiation-free assessment and classification of craniosynostosis

Matthias Schaufelberger, Reinald Kühle+9 more|arXiv (Cornell University)|Jan 10, 2022

Craniofacial Disorders and Treatments被引用 4

一句话总结

本论文提出了首个公开可用的1.5岁以下婴儿颅缝早闭症患者的统计3D形态模型，利用摄影测量表面扫描实现无辐射评估与分类，无需使用CT。该方法基于形态模型的流程，结合线性判别分析，分类准确率达到97.8%，性能达到当前最先进水平，与基于CT的方法相当。

ABSTRACT

The assessment of craniofacial deformities requires patient data which is sparsely available. Statistical shape models provide realistic and synthetic data enabling comparisons of existing methods on a common dataset. We build the first publicly available statistical 3D head model of craniosynostosis patients and the first model focusing on infants younger than 1.5 years. We further present a shape-model-based classification pipeline to distinguish between three different classes of craniosynostosis and a control group on photogrammetric surface scans. To the best of our knowledge, our study uses the largest dataset of craniosynostosis patients in a classification study for craniosynostosis and statistical shape modeling to date. We demonstrate that our shape model performs similar to other statistical shape models of the human head. Craniosynostosis-specific pathologies are represented in the first eigenmodes of the model. Regarding the automatic classification of craniosynostis, our classification approach yields an accuracy of 97.8%, comparable to other state-of-the-art methods using both computed tomography scans and stereophotogrammetry. Our publicly available, craniosynostosis-specific statistical shape model enables the assessment of craniosynostosis on realistic and synthetic data. We further present a state-of-the-art shape-model-based classification approach for a radiation-free diagnosis of craniosynostosis.

研究动机与目标

• 开发一种无辐射的3D统计形态模型，用于颅缝早闭症患者，特别是1.5岁以下婴儿，以支持医学评估与仿真。
• 利用非对比、摄影测量表面扫描，实现对颅缝早闭症亚型与对照组的准确分类。
• 为未来颅面畸形分析研究建立基准数据集与模型，克服现有稀疏、依赖辐射的数据局限。
• 对比并验证多种形态变形技术在形态模型构建与分类性能方面的表现。

提出的方法

• 作者基于大规模颅缝早闭症患者与对照组的3D表面扫描数据，采用主成分分析（PCA）对标志点对齐的形态进行处理，构建了统计形态模型（SSM）。
• 应用先进的非刚性配准技术——具体为N-ICP-A、N-ICP-T、2S-LBRP与ICPD-LBRP——以实现精确的形态对齐与变形，同时采用拉普拉斯-贝尔特拉米正则化以保持几何保真度。
• 采用广义普罗克拉斯特定分析（GPA）将形态对齐至统一参考，最小化刚体变换，从而实现一致的形态比较。
• 通过紧凑性、泛化性与特异性指标评估模型，以衡量其对真实颅面变异的表征能力。
• 利用从SSM中提取的形态系数，对多种机器学习模型——线性判别分析（LDA）、支持向量机（SVM）、朴素贝叶斯、k近邻（kNN）与袋装决策树——进行分类。
• 基于标志点的配准使用了12个解剖学头影测量标志点，通过法向对齐与对应关系建立的约束，确保解剖一致性。

实验结果

研究问题

• RQ1 能否为1.5岁以下、医学影像获取受限的颅缝早闭症患者构建一个统计上稳健、无辐射的3D形态模型？
• RQ2 在颅面形态建模中，不同非刚性变形方法（如N-ICP-A、2S-LBRP、ICPD-LBRP）在准确性、紧凑性与泛化性方面表现如何比较？
• RQ3 基于摄影测量扫描训练的统计形态模型，在区分颅缝早闭症亚型与对照组方面，能否实现高分类准确率？
• RQ4 所提出的SSM在形态表征与诊断实用性方面，是否与基于CT或MRI数据训练的模型表现相当？
• RQ5 在应用于SSM形态系数进行颅缝早闭症分类时，哪种机器学习分类器表现最优？

主要发现

• 所提出的统计形态模型（SSM）性能与其它成熟的头部SSM相当，验证了其在非对比、表面扫描数据上训练的表征质量。
• 颅缝早闭症特异性病理主要体现在模型的前几个主成分中，表明该疾病与显著的形态变异密切相关。
• N-ICP-T变形方法在与线性判别分析（LDA）结合时，实现了最高的分类准确率98.1%，优于其他变形技术。
• LDA分类器在所有变形方法中均达到最高整体准确率（98.1%），在使用N-ICP-A方法时也实现了97.8%的稳健性能。
• 模型的泛化误差小于1毫米，特异性误差低于2毫米，表明其具有强大的真实颅面形态表征能力。
• 本研究展示了迄今在统计形态建模与分类研究中使用的最大规模颅缝早闭症患者数据集，具有广泛的临床适用性。