[论文解读] Manifold Data Analysis with Applications to High-Frequency 3D Imaging

Hyun Bin Kang, Matthew Reimherr+2 more|arXiv (Cornell University)|Oct 4, 2017

Face and Expression Recognition参考文献 32被引用 6

一句话总结

本文提出了流形数据分析（MDA），这是函数数据分析的一个新子领域，将3D面部流形视为函数对象以进行统计分析。通过结合形变映射与流形学习，MDA实现了两步函数主成分分析和流形对标量的回归，揭示了年龄和遗传祖先如何以高空间分辨率塑造面部形态，研究基于6,564名个体的3D成像数据。

ABSTRACT

Many scientific areas are faced with the challenge of extracting information from large, complex, and highly structured data sets. A great deal of modern statistical work focuses on developing tools for handling such data. This paper presents a new subfield of functional data analysis, FDA, which we call Manifold Data Analysis, or MDA. MDA is concerned with the statistical analysis of samples where one or more variables measured on each unit is a manifold, thus resulting in as many manifolds as we have units. We propose a framework that converts manifolds into functional objects, an efficient 2-step functional principal component method, and a manifold-on-scalar regression model. This work is motivated by an anthropological application involving 3D facial imaging data, which is discussed extensively throughout the paper. The proposed framework is used to understand how individual characteristics, such as age and genetic ancestry, influence the shape of the human face.

研究动机与目标

• 通过整合形状分析与函数数据分析，开发一种新的统计框架，用于分析高分辨率3D流形数据（如面部表面）。
• 解决缺乏可直接将3D面部流形作为结果变量、同时考虑年龄和遗传祖先等协变量的回归方法的问题。
• 实现对复杂、平滑且密集采样的3D面部数据的分析，而无需将其简化为汇总统计量或标志性点。
• 提供一种灵活、平滑且统计高效的方案，充分利用3D面部几何中的固有数据规律性。

提出的方法

• 利用形变映射与流形学习，将每个3D面部流形转换为函数对象，构建一个平滑、参数化的定义域。
• 应用两步函数主成分分析（FPCA），在保留面部流形的空间平滑性与结构的同时降低维度。
• 开发流形对标量的回归模型，以评估标量协变量（如年龄、性别、遗传祖先）对3D面部形状的影响。
• 使用FELSPLINE基函数表示函数对象，实现跨面部表面的高效计算与平滑插值。
• 采用置信泡方法对全脸进行多重检验校正，以识别形状变异中具有统计显著性的区域。
• 采用广义Procrustes对齐与准标志性点对应关系，确保所有3D面部表面之间解剖学同源性。

实验结果

研究问题

• RQ1 如何有效将3D面部流形转化为用于统计分析的函数数据对象？
• RQ2 通过流形对标量的回归模型，年龄与性别对人类面部几何形状的影响是什么？
• RQ3 遗传祖先（如北欧、东亚、西非）如何在高空间分辨率下影响面部形态？
• RQ4 在经过多重检验校正后，哪些面部区域因人口学与遗传协变量而表现出统计显著的形状变异？
• RQ5 函数数据分析技术能否有意义地扩展至以流形为主要变量而非曲线或曲面的数据？

主要发现

• 两步FPCA方法成功捕捉了面部形状变异的主要模式，前两个主成分解释了3D面部数据中相当大比例的总变异。
• 流形对标量的回归模型显示，性别显著影响面部形状，女性表现出更圆润的面颊与眼睛，而男性则具有更突出的鼻子。
• 东亚祖先的影响与更圆润的面部轮廓、更低的鼻子以及不那么明显的眉毛相关，且在额部、鼻子与面颊区域均确认存在显著差异。
• 西非祖先的影响在鼻部与口部区域最为显著，表现为更扁平、更宽的鼻子以及更外扩的嘴唇，且在99%置信水平下被确认为显著。
• 使用置信泡的整体显著性图谱识别出关键解剖区域（如鼻子、面颊与额头）在多个协变量下均保持显著，即使在多重检验校正后依然成立。
• 通过FELSPLINE基函数实现的功能表示，能够准确预测特定协变量特征个体的面部形状，例如一位30岁、身高170厘米、体重70公斤的男性或女性。