点云网络能否学习解剖结构的统计形状模型？
计算机视觉与模式识别
2023-07-21 v2 机器学习
摘要
统计形状建模（SSM）是研究和量化群体解剖结构变异的有价值工具。然而，传统的基于对应关系的SSM生成方法推理过程繁琐，且需要完整的几何代理（如高分辨率二值体或表面网格）作为输入形状来构建SSM。形状的无序三维点云表示更容易从各种医学影像实践（如阈值化图像和表面扫描）中获取。点云深度网络近来在针对不同的点云任务（如补全、语义分割、分类）学习置换不变特征方面取得了显著成功。然而，它们在从点云学习SSM方面的应用至今未被探索。在本工作中，我们证明现有的基于编码器-解码器的点云补全网络可为SSM提供未被发掘的潜力，在降低推理负担和放宽输入要求的同时捕获形状的人群级统计表示。我们讨论了这些技术应用于SSM的局限性，并建议未来的改进方向。我们的工作为进一步探索用于SSM的点云深度学习铺平了道路，这是推进形状分析文献并将SSM拓宽至多样用例的一条有前景的途径。
引用
@article{arxiv.2305.05610,
title = {Can point cloud networks learn statistical shape models of anatomies?},
author = {Jadie Adams and Shireen Elhabian},
journal= {arXiv preprint arXiv:2305.05610},
year = {2023}
}
备注
Accepted to MICCAI 2023. 13 pages, 5 figures, appendix