等变消息传递在皮质网格分割中的作用
计算机视觉与模式识别
2022-06-16 v2 机器学习
摘要
皮质区域的自动分割一直是医学图像分析中的长期挑战。皮质的复杂几何形状通常表示为多边形网格，其分割可通过基于图的学习方法来解决。当皮质网格在不同受试者之间未对齐时，当前方法产生的分割结果明显更差，限制了其处理多域数据的能力。在本文中，我们研究了E(n)-等变图神经网络(EGNNs)的作用，将其性能与普通图神经网络(GNNs)进行比较。我们的评估表明，在对齐的网格上GNNs优于EGNNs，因为它们能够利用全局坐标系的存在。在未对齐的网格上，普通GNNs的性能大幅下降，而E(n)-等变消息传递保持了相同的分割结果。最佳结果也可通过在重新对齐的数据上使用普通GNNs（全局坐标系中的共配准网格）获得。
引用
@article{arxiv.2206.03164,
title = {Utility of Equivariant Message Passing in Cortical Mesh Segmentation},
author = {Dániel Unyi and Ferdinando Insalata and Petar Veličković and Bálint Gyires-Tóth},
journal= {arXiv preprint arXiv:2206.03164},
year = {2022}
}
备注
13 pages, 3 figures, accepted for MIUA 2022