脚型解剖学标志点自动标识方法

针对现有标志点提取方法的不足,提出一种自动标识人体脚型解剖学标志点的有效方法,该方法以包含解剖学标志点的三维数字脚型作为变形模板。通过主成分分析(Principle component analysis,PCA)和迭代最近点(Iterative closest point,ICP)算法使目标脚型与模板脚型在最小二乘意义上对齐与配准,找出目标脚型与模板脚型之间的初始对应点集。采用以均匀采样和基于曲率分布的采样相结合的方法在模板脚型上获取采样点集,以采样点集在目标脚型上的对应点为位置约束,采用基于离散拉普拉斯的网格变形方法,使模板脚型逼近目标脚型。通过迭代,使模板脚型在误差范围内逼近目标脚型,这时模板脚型上的点与目标脚型上的对应点建立了映射关系,模板脚型上的解剖学标志点在目标脚型上的对应点即可视为目标脚型上的解剖学标志点。试验结果表明,基于模板的脚型解剖学标志点标识方法,自动化程度高,适应性强,能够应用于脚型的三维形态差异分析和基于脚型的鞋楦个性化定制系统。

全脑解剖学标志稀疏关联的阿尔茨海默症诊断

阿尔茨海默症(AD)是一种复杂的神经退行性疾病,伴有记忆和其他精神功能的进行性损害,是造成老年人死亡的主要原因,如何对AD进行准确的诊断至关重要。根据生物学验证,已知人脑中的多个脑区在解剖学上和功能上是相互联系的,但现有的研究方法往往忽略了潜在的特征间的关系。因此,关注大脑不同区域的特征相关性有利于提高脑认知疾病的检测性能。本研究提出一种以数据驱动的方式自动识别全脑结构磁共振成像(sMRI)中解剖学标志点,并基于解剖点提取块特征,采用全局关联将各个块的特征进行深度融合,通过计算块与块之间的相互作用,实现大脑各个脑区的相互关联。其次,根据块之间的关联度差异,进行阈值化处理,利用稀疏关联模块去除冗余信息,进一步提高特征的判别能力,最后,利用稀疏后的深层特征构建分类模型,对AD患者个体进行预测。使用包含198例AD患者和224例健康人的ADNI-1数据集进行训练,包含152例AD患者和196例健康人的ADNI-2数据集进行测试,结果表明,该方法的准确率和灵敏度分别达到0.9368和0.9211,所提出的方法更多地考虑了块与块之间的联系以及关联度差异,可望更有效地对AD进行诊断。