Can point cloud networks learn statistical shape models of anatomies?

要約

統計的形状モデリング (SSM) は、解剖学的集団内の解剖学的差異を調査および定量化するための貴重なツールです。
ただし、従来の対応ベースの SSM 生成方法には法外な推論プロセスがあり、SSM を構築するための入力形状として完全な幾何学的プロキシ (高解像度のバイナリ ボリュームやサーフェス メッシュなど) が必要です。
形状の順序付けされていない 3D 点群表現は、さまざまな医療画像処理 (しきい値処理された画像や表面スキャンなど) からより簡単に取得できます。
点群ディープ ネットワークは、最近、さまざまな点群タスク (補完、セマンティック セグメンテーション、分類など) の順列不変特徴の学習において目覚ましい成功を収めています。
ただし、点群から SSM を学習するためのそれらのアプリケーションは、今日まで未開発です。
この研究では、既存の点群エンコーダ/デコーダベースの補完ネットワークが SSM の未開発の可能性を提供し、推論の負担を軽減し、入力要件を緩和しながら、母集団レベルの形状の統計表現をキャプチャできることを実証します。
SSM アプリケーションに対するこれらの技術の制限について説明し、将来の改善点を提案します。
私たちの取り組みは、形状解析の文献を進歩させ、SSM を多様なユースケースに広げるための有望な道である、SSM 用の点群ディープラーニングのさらなる探究への道を切り開きます。

要約(オリジナル)

Statistical Shape Modeling (SSM) is a valuable tool for investigating and quantifying anatomical variations within populations of anatomies. However, traditional correspondence-based SSM generation methods have a prohibitive inference process and require complete geometric proxies (e.g., high-resolution binary volumes or surface meshes) as input shapes to construct the SSM. Unordered 3D point cloud representations of shapes are more easily acquired from various medical imaging practices (e.g., thresholded images and surface scanning). Point cloud deep networks have recently achieved remarkable success in learning permutation-invariant features for different point cloud tasks (e.g., completion, semantic segmentation, classification). However, their application to learning SSM from point clouds is to-date unexplored. In this work, we demonstrate that existing point cloud encoder-decoder-based completion networks can provide an untapped potential for SSM, capturing population-level statistical representations of shapes while reducing the inference burden and relaxing the input requirement. We discuss the limitations of these techniques to the SSM application and suggest future improvements. Our work paves the way for further exploration of point cloud deep learning for SSM, a promising avenue for advancing shape analysis literature and broadening SSM to diverse use cases.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google