肺裂的稀疏关键点细分:高效的几何深度学习来抽象体积图像
Paul Kaftan1,2,3,4, Mattias P Heinrich2, Lasse Hansen5
1Institute of Medical Systems Biology, Ulm University, Albert-Einstein-Allee 11, 89081, Ulm, Germany.
International journal of computer assisted radiology and surgery
|January 8, 2025
概括
这项研究介绍了一种更快,更有效的肺裂细分方法,使用稀疏点云上的几何深度学习. 与传统的3D CNN相比,新方法显著加快了分析速度.
科学领域:
- 医学成像分析分析 医学成像分析
- 计算解剖学的计算解剖学
- 医疗保健中的人工智能
背景情况:
- 三维卷积神经网络 (CNN) 是肺裂细分的标准,但对于薄结构是低效的.
- 裂构成一个小的图像体积,使得3D-CNNs在计算上昂贵.
研究的目的:
- 在稀疏点云上使用几何深度学习 (GDL) 开发更高效的肺裂细分管道.
- 为了提高CT图像中的肺裂分析的速度和可扩展性.
主要方法:
- 图像数据抽象为稀疏的关键点 (KP) 云.
- 训练有素的GDL模型 (PointNets,GCN,PointTransformers) 用于点云细分.
- 提出了一种高效的点云对网状自编码器 (PC-AE) 进行快速的3D网状重建,取代缓慢的Poisson表面重建 (PSR).
主要成果:
- 图形卷积网络 (GCN) 提供了速度和准确性的最佳平衡,比nnU-Net更快,错误增加最小.
- 新的PC-AE在网状重建方面比PSR快得多,在减少误差的情况下取得了可比的结果.
结论:
- 一个基于KP的新裂细分管道比3D-CNNs提供了更高的效率,使得更快的大规模分析成为可能.
- 引入的PC-AE证明了从稀疏点云的高效网状重建,具有超出裂分割的潜在应用.
