MedMeshCNN——使 MeshCNN 适用于医学表面模型
计算机视觉与模式识别
2020-09-11 v1 机器学习
图像与视频处理
摘要
背景与目的：MeshCNN 是近期提出的一种深度学习框架，因可直接处理不规则、非均匀的 3D 网格而受到关注。在选定的基准数据集上，它在分类与分割任务中优于最先进的方法。尤其是医学领域提供了大量复杂的 3D 表面模型，可能受益于 MeshCNN 的处理。然而，若干局限性阻碍了 MeshCNN 在高度多样化的医学表面模型上取得优异性能。本工作中，我们提出 MedMeshCNN 作为针对复杂、多样且细粒度的医学数据的扩展。方法：MedMeshCNN 遵循 MeshCNN 的功能，但显著提高了内存效率，从而在分割过程中保留患者特异性属性。此外，它支持对常伴随高度不平衡类别分布的病理结构进行分割。结果：我们在颅内动脉瘤及其周围血管结构的复杂部件分割任务上测试了 MedMeshCNN 的性能，达到了 63.24% 的平均交并比（Intersection over Union）。病理动脉瘤的分割交并比为 71.4%。结论：这些结果表明 MedMeshCNN 使 MeshCNN 能够应用于复杂、细粒度的医学表面网格。MedMeshCNN 考虑了由病理发现导致的不平衡类别分布，并在分割过程中基本保留了患者特异性属性。
引用
@article{arxiv.2009.04893,
title = {MedMeshCNN -- Enabling MeshCNN for Medical Surface Models},
author = {Lisa Schneider and Annika Niemann and Oliver Beuing and Bernhard Preim and Sylvia Saalfeld},
journal= {arXiv preprint arXiv:2009.04893},
year = {2020}
}
备注
7 pages, 7 figures, 1 table, Submitted to Computer Methods and Programs in Biomedicine