基于图卷积变分自编码器的术中肝脏表面补全
计算机视觉与模式识别
2021-07-14 v2 机器学习
摘要
在这项工作中，我们提出了一种基于几何深度学习的方法，用于在腹腔镜手术过程中根据获取到的器官部分点云预测肝脏的完整表面。我们引入了一种新的数据增强技术，通过在频域中随机扰动形状来弥补我们数据集规模有限的问题。我们方法的核心是一个变分自编码器（VAE），其被训练用于学习肝脏完整形状的潜在空间。在推理时，模型的生成部分被嵌入到一个优化过程中，其中潜在表示被迭代更新以生成与术中部分点云匹配的模型。该优化的效果是初始生成形状发生渐进的非刚性形变。我们的方法在真实数据上进行了定性评估，并在合成数据上进行了定量评估。我们与一种最先进的刚性配准算法进行了比较，我们的方法在可见区域上优于该算法。
引用
@article{arxiv.2009.03871,
title = {Intraoperative Liver Surface Completion with Graph Convolutional VAE},
author = {Simone Foti and Bongjin Koo and Thomas Dowrick and Joao Ramalhinho and Moustafa Allam and Brian Davidson and Danail Stoyanov and Matthew J. Clarkson},
journal= {arXiv preprint arXiv:2009.03871},
year = {2021}
}