基于状态空间模型的医学点云层次特征学习
计算机视觉与模式识别
2026-04-10 v3
摘要
深度学习驱动的点云建模在一般形状分析中才作为必需组件广泛研究。最近，变换器和状态空间模型（SSM）在点云学习中显示出前景。然而，针对医学点云的研究仍有限，这些点云在疾病诊断和治疗中具有巨大的潜力。本文提出了一种用于医学点云理解的基于 SSM 的层次特征学习框架。具体而言，我们通过最远点抽样将输入下采样为多个层次。在每个层次上，我们执行一系列最近邻（KNN）查询以聚合多尺度结构信息。为帮助 SSM 处理点云，我们引入坐标顺序和内部外部扫描策略，用于高效序列化不规则点。通过 vanilla 和 group Point SSM 块，逐步从短邻居序列和长点序列计算点特征，以捕获局部模式和长程依赖。为评估所提方法，我们构建了一个大规模医学点云数据集，名为 MedPointS，用于解剖学分类、完成和分割。在 MedPointS 上的大量实验表明，我们的方法在所有任务上均实现了优异性能。该数据集可在 https://flemme-docs.readthedocs.io/en/latest/medpoints.html 获取。代码已合并到公共医学成像平台：https://github.com/wlsdzyzl/flemme。
引用
@article{arxiv.2504.13015,
title = {Hierarchical Feature Learning for Medical Point Clouds via State Space Model},
author = {Guoqing Zhang and Jingyun Yang and Yang Li},
journal= {arXiv preprint arXiv:2504.13015},
year = {2026}
}
备注
10 pages, 3 figures