Utility of Equivariant Message Passing in Cortical Mesh Segmentation

要約

大脳皮質の自動セグメンテーションは、医用画像解析における長年の課題であった。大脳皮質の複雑な形状は、一般的にポリゴンメッシュとして表現され、そのセグメンテーションはグラフベースの学習手法で対応することが可能である。しかし、大脳皮質のメッシュが被験者間でずれている場合、現在の手法ではセグメンテーションの結果が著しく悪くなり、マルチドメインデータを扱うのに限界がある。本論文では、E(n)-equivariant graph neural network (EGNN)の有用性を、通常のgraph neural network (GNN)との比較により検討する。その結果、GNNはグローバル座標系の存在を利用することができるため、整列したメッシュ上ではEGNNを上回る性能を示すことがわかった。また、メッシュの位置がずれた場合、GNNの性能は大幅に低下するが、E(n)-equivariant message passingは同じセグメンテーション結果を維持することができる。また、再整列されたデータ（グローバル座標系に登録されたメッシュ）に対しても、GNNを用いることで、最良の結果を得ることができる。

要約(オリジナル)

The automated segmentation of cortical areas has been a long-standing challenge in medical image analysis. The complex geometry of the cortex is commonly represented as a polygon mesh, whose segmentation can be addressed by graph-based learning methods. When cortical meshes are misaligned across subjects, current methods produce significantly worse segmentation results, limiting their ability to handle multi-domain data. In this paper, we investigate the utility of E(n)-equivariant graph neural networks (EGNNs), comparing their performance against plain graph neural networks (GNNs). Our evaluation shows that GNNs outperform EGNNs on aligned meshes, due to their ability to leverage the presence of a global coordinate system. On misaligned meshes, the performance of plain GNNs drop considerably, while E(n)-equivariant message passing maintains the same segmentation results. The best results can also be obtained by using plain GNNs on realigned data (co-registered meshes in a global coordinate system).

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL