해부학적 분할을 위한 증강된 등변 메시 네트워크
Augmented Equivariant Mesh Networks for Anatomical Segmentation
해부학적 메시 분할(anatomical mesh segmentation)은 다양한 해상도의 메시 전반에서 좌표 포즈(coordinate pose) 변화에 강건성을 유지하면서 불규칙한 표면 기하학에서 직접 작동하는 모델을 필요로 합니다. 기존의 태스크 특화 메시 및 포인트 클라우드 방식들은 등변성(equivariance)을 지니지 않아, 일치하는 학습(training) 증강을 적용하더라도 3D-IOSSeg에서 $40^\circ$ 회전 시 IoU 점수가 28-30 포인트 하락하는 등 테스트 시점의 섭동(perturbation)에 급격한 성능 저하를 보일 수 있습니다. 본 논문에서는 등변 메시 신경망(EMNN)을 기반으로 구축된 등변 해부학적 메시 분할기인 EAMS를 제시하고, 에지(edge), 정점(vertex), 면(face) 수준의 지도 학습을 포괄하는 세 가지 임상 응용 분야의 4개 데이터셋(dataset) 설정에서 이를 평가합니다. 저자들은 내재적 메시 기술자(intrinsic mesh descriptor)를 치열궁(dental arch) 및 간 표면에 대한 PCA 유도 프레임을 포함한 해부학 인지 사전 정보와 결합하고, 경량 글로벌 컨텍스트를 제공하도록 메시지 전달을 증강합니다. 두개내 동맥류 및 구강 내 분할 전반에서 EAMS 변형 모델들은 섭동이 없는 입력에 대해 특화된 베이스라인과 견줄 만한 성능을 보이면서도 기하학적 섭동 하에서 안정성을 유지하며, 간 표면에서는 표준 포즈 정확도와 회전 강건성 간의 유리한 절충점을 보여줍니다. 이러한 결과는 경량(2M 미만의 파라미터) 등변 프레임워크가 다양한 레이블 유형 전반에서 강건한 해부학적 메시 분할을 달성할 수 있음을 보여줍니다.