Point2SSM：从点云学习解剖结构的形态变异
计算机视觉与模式识别
2024-01-26 v2 机器学习
摘要
我们提出Point2SSM，一种新颖的无监督学习方法，用于直接从原始点云构建基于对应关系的统计形状模型(SSMs)。SSM在临床研究中至关重要，可实现骨骼和器官形态变异的群体水平分析。传统的SSM构建方法存在局限，包括需要无噪声表面网格或二值体数据、依赖假设或模板，以及因同时优化整个队列而导致推理时间长。Point2SSM通过提供数据驱动的解决方案克服这些障碍，该方案直接从原始点云推断SSM，减轻推理负担并增加适用性，因为点云更易获取。虽然3D点云上的深度学习在无监督表示学习和形状对应方面已取得成功，但其在解剖SSM构建中的应用很大程度上未被探索。我们对最先进的点云深度网络在SSM任务上进行基准测试，揭示其对噪声、稀疏或不完整输入以及有限训练数据等临床挑战的鲁棒性有限。Point2SSM通过基于注意力的模块解决这些问题，从学习的点特征提供有效的对应映射。我们的结果表明，所提方法在准确的表面采样与对应方面显著优于现有网络，更好地捕捉群体水平统计。
引用
@article{arxiv.2305.14486,
title = {Point2SSM: Learning Morphological Variations of Anatomies from Point Cloud},
author = {Jadie Adams and Shireen Elhabian},
journal= {arXiv preprint arXiv:2305.14486},
year = {2024}
}
备注
Accepted as a Spotlight presentation at ICLR 2024