Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Learning-Based Multimodal Image Registration for Prostate Cancer Radiation Therapy Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Hierarchical Generative Modeling and Monte-Carlo EM in Riemannian Shape Space for Hypothesis Testing

verfasst von : Saurabh J. Shigwan, Suyash P. Awate

Erschienen in: Medical Image Computing and Computer-Assisted Intervention - MICCAI 2016

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Statistical shape analysis has relied on various models, each with its strengths and limitations. For multigroup analyses, while typical methods pool data to fit a single statistical model, partial pooling through hierarchical modeling can be superior. For pointset shape representations, we propose a novel hierarchical model in Riemannian shape space. The inference treats individual shapes and group-mean shapes as latent variables, and uses expectation maximization that relies on sampling shapes. Our generative model, including shape-smoothness priors, can be robust to segmentation errors, producing more compact per-group models and realistic shape samples. We propose a method for efficient sampling in Riemannian shape space. The results show the benefits of our hierarchical Riemannian generative model for hypothesis testing, over the state of the art.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Transfer Shape Modeling Towards High-Throughput Microscopy Image Segmentation
Nächstes Kapitel Direct Estimation of Wall Shear Stress from Aneurysmal Morphology: A Statistical Approach
Literatur
1.
Allassonniere, S., Amit, Y., Trouve, A.: Toward a coherent statistical framework for dense deformable template estimation. J. R. Stat. Soc. Ser. B 69(1), 3–29 (2007)MathSciNetCrossRefMATH
2.
Allassonniere, S., Kuhn, E., Trouve, A.: Construction of bayesian deformable models via a stochastic approximation algorithm: a convergence study. Bernoulli 16(3), 641–678 (2010)MathSciNetCrossRefMATH
3.
Cates, J., Fletcher, T., Styner, M., Shenton, M., Whitaker, R.: Shape modeling and analysis with entropy-based particle systems. Proc. Inf. Process. Med. Imaging 20, 333–45 (2007)
4.
Cootes, T., Taylor, C., Cooper, D., Graham, J.: Active shape models - their training and application. Comput. Vis. Image Underst. 61(1), 38–59 (1995)CrossRef
5.
Dambreville, S., Rathi, Y., Tannenbaum, A.: A framework for image segmentation using shape models kernel space shape priors. IEEE Trans. Pattern Anal. Mach. Intell. 30(8), 1385–1399 (2008)CrossRef
6.
Durrleman, S., Pennec, X., Trouve, A., Ayache, N.: Statistical models of sets of curves and surfaces based on currents. Med. Imaging Anal. 13(5), 793–808 (2009)CrossRef
7.
Fletcher, T., Lu, C., Pizer, S., Joshi, S.: Principal geodesic analysis for the study of nonlinear statistics of shape. IEEE Trans. Med. Imaging 23(8), 995–1005 (2004)CrossRef
8.
Gaikwad, A.V., Shigwan, S.J., Awate, S.P.: A statistical model for smooth shapes in kendall shape space. In: Navab, N., Hornegger, J., Wells, W.M., Frangi, A.F. (eds.) MICCAI 2015. LNCS, vol. 9351, pp. 628–635. Springer, Heidelberg (2015). doi:10.​1007/​978-3-319-24574-4_​75CrossRef
9.
Gelman, A.: Multilevel (hierarchical) modeling: what it can and cannot do. Am. Stat. Assoc. 48(3), 432–435 (2006)MathSciNet
10.
Glasbey, C.A., Mardia, K.V.: A penalized likelihood approach to image warping. J R. Stat. Soc. Ser. B 63(3), 465–514 (2001)MathSciNetCrossRefMATH
11.
Goodall, C.: Procrustes methods in statistical analysis of shape. J. R. Stat. Soc. 53(2), 285–339 (1991)MathSciNetMATH
12.
13.
MacKay, D.: Information Theory, Inference, Learning Algorithms. Cambridge University Press, Cambridge (2012)
14.
Moore, D., Crisco, J., Trafton, T., Leventhal, E.: A digital database of wrist bone anatomy and carpal kinematics. J. Biomech. 40(11), 2537–2542 (2007)CrossRef
15.
Pennec, X.: Intrinsic statistics on Riemannian manifolds: basic tools for geometric measurements. J. Math. Imaging Vis. 25(1), 127–154 (2006)MathSciNetCrossRefMATH
16.
Pizer, S., Jung, S., Goswami, D., Vicory, J., Zhao, X., Chaudhuri, R., Damon, J., Huckemann, S., Marron, J.: Nested sphere statistics of skeletal models. Innov. Shape Anal. 93 (2012)
17.
Siddiqi, K., Pizer, S.: Medial Representations: Mathematics, Algorithms and Applications. Springer, Netherlands (2008)CrossRefMATH
18.
Terriberry, T.B., Joshi, S.C., Gerig, G.: Hypothesis testing with nonlinear shape models. In: Christensen, G.E., Sonka, M. (eds.) IPMI 2005. LNCS, vol. 3565, pp. 15–26. Springer, Heidelberg (2005). doi:10.​1007/​11505730_​2CrossRef
19.
Vaillant, M., Glaunès, J.: Surface matching via currents. In: Christensen, G.E., Sonka, M. (eds.) IPMI 2005. LNCS, vol. 3565, pp. 381–392. Springer, Heidelberg (2005)CrossRef
20.
Wang, Z., Mohamed, S., Freitas, N.: Adaptive Hamiltonian and Riemann manifold monte carlo samplers. Proc. Int. Conf. Mach. Learn. 3, 1462–1470 (2013)
21.
Yu, Y.-Y., Fletcher, P.T., Awate, S.P.: Hierarchical bayesian modeling, estimation, and sampling for multigroup shape analysis. In: Golland, P., Hata, N., Barillot, C., Hornegger, J., Howe, R. (eds.) MICCAI 2014. LNCS, vol. 8675, pp. 9–16. Springer, Heidelberg (2014). doi:10.​1007/​978-3-319-10443-0_​2CrossRef
Metadaten
Titel
Hierarchical Generative Modeling and Monte-Carlo EM in Riemannian Shape Space for Hypothesis Testing
verfasst von
Saurabh J. Shigwan
Suyash P. Awate
Copyright-Jahr
2016
Buch
Medical Image Computing and Computer-Assisted Intervention - MICCAI 2016

Print ISBN: 978-3-319-46725-2

Electronic ISBN: 978-3-319-46726-9

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-46726-9_23