用于口内扫描图像分割的双流图卷积网络
图像与视频处理
2022-04-20 v1 计算机视觉与模式识别
摘要
从口内扫描图像中精确分割牙齿是计算机辅助正畸手术规划中的一项基本任务。最先进的基于深度学习的方法通常简单拼接网格单元的原始几何属性（即坐标与法向量）来训练单流网络以进行自动口内扫描图像分割。然而，由于不同的原始属性揭示了完全不同的几何信息，在（低层）输入阶段朴素地拼接不同原始属性可能给网格单元的描述与区分带来不必要的混淆，从而妨碍分割任务中高层几何表征的学习。为解决此问题，我们设计了一个双流图卷积网络（即 TSGCN），它能有效处理不同原始属性间的视图间混淆，以更有效地融合其互补信息并学习有判别力的多视图几何表征。具体而言，我们的 TSGCN 采用两个输入特定的图学习流，分别从坐标和法向量中提取互补的高层几何表征。随后，这些单视图表征由一个自注意力模块进一步融合，以自适应地平衡不同视图在学习的更具判别力的多视图表征中的贡献，从而实现准确且全自动的牙齿分割。我们在一个由 3D 口内扫描仪获取的真实患者牙齿（网格）模型数据集上评估了我们的 TSGCN。实验结果表明，我们的 TSGCN 在 3D 牙齿（表面）分割中显著优于最先进的方法。Github: https://github.com/ZhangLingMing1/TSGCNet。
引用
@article{arxiv.2204.08797,
title = {Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation},
author = {Yue Zhao and Lingming Zhang and Yang Liu and Deyu Meng and Zhiming Cui and Chenqiang Gao and Xinbo Gao and Chunfeng Lian and Dinggang Shen},
journal= {arXiv preprint arXiv:2204.08797},
year = {2022}
}
备注
11 pages, 6 figures. arXiv admin note: text overlap with arXiv:2012.13697