用于解剖分割的增强等变网格网络

解剖网格分割要求模型直接在不规则表面几何上运行，同时对任意患者姿态和网格分辨率变化保持鲁棒。现有的特定任务网格和点云方法不具备等变性，在测试时扰动下性能会急剧下降，例如在口内扫描分割中，倾斜 $40^\circ$ 时 IoU 下降 25-26 个点。我们提出了 EAMS，一个基于等变网格神经网络 (EMNN) 构建的等变解剖网格分割器，并在涵盖边、顶点和面级监督的四个临床不同任务上对其进行评估。我们结合了内在网格描述符和解剖感知先验，包括为牙弓和肝脏表面导出的 PCA 框架，并增强了消息传递以提供轻量级全局上下文。在颅内动脉瘤和口内分割任务中，EAMS 变体在未扰动输入上与专用基线具有竞争力，同时在几何扰动下保持稳定，而在肝脏表面上，它们揭示了标准姿态准确性与旋转鲁棒性之间的有利权衡。这些结果表明，一个轻量级（参数少于 2M）的等变框架可以在没有任务特定架构的情况下，跨不同监督类型提供鲁棒的解剖网格分割。