一个新的等级交叉流聚合神经网络用于3D牙科表面模型的语义细分

科学领域:

• 计算机视觉 计算机视觉
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 准确的3D牙科模型细分对于个性化的正统牙科治疗至关重要.
• 现有的深度学习方法,如PointNet,显示出希望,但可以通过功能融合策略来限制.
• 多流架构通过使用多种输入视图来改善细分,但晚期融合方法可能无法充分利用互补的几何信息.

研究的目的:

• 开发一种新的网络,分层交叉流聚合 (HiCA),用于增强牙科模型的细粒度3D语义细分.
• 解决当前多流网络融合策略的局限性,以提高牙细分的准确性.
• 从多视图输入中创建一个更具歧视性的点/单元智能表示.

主要方法:

• 提出了一个带有输入量身定制的特征提取器的层次交叉流聚合 (HiCA) 网络.
• 引入了一个上下文跨流聚合 (CA) 模块,用于共同的上下文表示学习.
• 开发了一种使用图表注意力和多视图原型学习的歧视性跨流聚合 (DA) 模块,用于在晚期融合之前增强特征表示.

主要成果:

• HiCA网络在牙语义细分的公共和内部数据集上显著超过了最先进的深度学习方法.
• 在细粒度的3D语义细分任务中表现出卓越的性能.
• 通过有效聚合多视图特征,实现了更具歧视性的点/细胞智能表示.

结论:

• 拟议的HiCA网络在3D牙科模型细分中为正牙应用提供了显著的进步.
• 该方法在从多视图输入中学习歧视性表示的有效性提高了细分的准确性.
• 在牙科之外,HiCA显示了对更广泛的3D形状细分任务的潜在应用性.