Utility of Equivariant Message Passing in Cortical Mesh Segmentation

要約

皮質領域の自動セグメンテーションは、医療画像分析における長年の課題でした。
皮質の複雑な形状は、一般にポリゴンメッシュとして表され、そのセグメンテーションはグラフベースの学習方法で対処できます。
皮質メッシュが被験者間でずれている場合、現在の方法ではセグメンテーション結果が大幅に悪化し、マルチドメインデータを処理する能力が制限されます。
この論文では、E（n）-同変グラフニューラルネットワーク（EGNN）の有用性を調査し、それらのパフォーマンスをプレーングラフニューラルネットワーク（GNN）と比較します。
私たちの評価では、グローバル座標系の存在を活用できるため、GNNは整列したメッシュでEGNNよりも優れていることが示されています。
不整合なメッシュでは、プレーンGNNのパフォーマンスが大幅に低下しますが、E（n）と同等のメッセージパッシングは同じセグメンテーション結果を維持します。
最良の結果は、再調整されたデータ（グローバル座標系で同時登録されたメッシュ）にプレーンGNNを使用することによっても取得できます。

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, Google