面向临床和基准测试的 3D 解剖学形状分类

解剖学 3D 形状分类的进展受到网格数据复杂性和缺乏标准化基准测试的限制，这凸显了对稳健学习方法和可重复评估的需求。我们提出了两个关键步骤，以实现临床可达且基准测试就绪的解剖学形状分类，通过自监督图自编码。我们提出了预计算结构池化（PSPooling），这是一种为高分辨率医学网格设计的、用于高效且结构保持图细化的非学习型网格池化算子。PSPooling 基于几何邻近性预计算节点对应集，使池化和反池化操作可并行且可逆，并保证支撑结构。该设计避免了选择式方法的稀疏性和重建问题，以及边缘压缩方法的顺序开销，特别适用于医学 3D 网格。为证明其有效性，我们将 PSPooling 集成到自监督图自编码器中，该自编码器从无标签表面网格中学习解剖学感知表示。在 MedShapeNet19 上进行下游评估，该数据集是我们从 MedShapeNet 中派生的全新精选基准数据集，包含 19 个解剖学类别，并标准化了训练、验证和测试划分。实验表明，PSPooling 在低标签 regime 下显著提高了重建保真度和分类准确率，为医学 3D 形状学习树立了强基准。我们希望 MedShapeNet19 能成为解剖学形状分类以及医学 3D 形状分析进一步研究的广泛采纳基准。访问完整代码、模型权重和数据集信息：https://github.com/TomasKrsicka/MedShapeNet19-PSPooling