结合基于图像与基于几何的深度学习进行形状回归：与胸部 X 光片中像素级分割方法的比较

在解决分割任务时，基于形状的方法由于对目标物体的几何理解为形状，能够防止生成解剖学上不合理的预测，尤其是在数据受损的情况下，因此相比逐像素分类可能更具优势。在这项工作中，我们提出了一种新颖的混合方法，将轻量级 CNN 骨干网络与用于形状回归的几何神经网络（Point Transformer）相结合。使用相同的 CNN 编码器，Point Transformer 达到了与当前最先进的卷积解码器相当的分割质量（误差 $4\pm1.9$ mm vs $3.9\pm2.9$ mm，Dice 系数 $85\pm13$ vs $88\pm10$），但关键的是，它对图像失真的稳定性更高，在失真水平达到 30% 时开始优于后者。此外，我们将 nnU-Net 作为上限基线纳入比较，其可训练参数比我们提出的方法多 $3.7$ 倍。