Gecochtes kontrastives Grenzlernen: Punkt-Transformator-Selbstaufmerksamkeitsregularisierung für die 3D-Intracranielle Aneurysma-Segmentierung

Bei der 3D-Segmentierung glänzen punktbasierte Modelle, haben jedoch Schwierigkeiten bei der präzisen Klassendelineation an Klassenschnitten, eine inhärente Herausforderung bei Segmentierungsmodellen. Dies ist in medizinischen Anwendungen besonders kritisch, da es die Patientenversorgung und die chirurgische Planung beeinflusst, wo eine genaue 3D-Grenzerkennung entscheidend ist, um die Chirurgie zu unterstützen und das medizinische Training durch fortschrittliche Simulationen zu verbessern. Diese Studie stellt das Nested Contrastive Boundary Learning Point Transformer (NCBL-PT) vor, das speziell für die 3D-Punktwolken-Segmentierung entwickelt wurde. NCBL-PT verwendet kontrastives Lernen, um die Darstellung von Grenzpunkten zu verbessern, indem die Merkmalsähnlichkeit innerhalb derselben Klasse erhöht wird. NCBL-PT integriert eine grenzbewusste Unterscheidung innerhalb der Punkte derselben Klasse, sodass das Modell klar von den Punkten in der Nähe der Klassenschnittstelle und von solchen darüber lernen kann. Dies verringert die semantische Verwirrung unter den Punkten verschiedener Klassen in der mehrdeutigen Klassenschnittzone, in der Ähnlichkeit in den Merkmalen aufgrund von Nähe zu falschen Assoziationen führen könnte. Das Modell arbeitet innerhalb von unterabgetasteten Punktwolken in jeder Encoder-Blockstufe der Punkttransformatorarchitektur. Es wendet Selbstaufmerksamkeit mit k = 16 nächsten Nachbarn auf lokale Nachbarschaften an, was mit den NCBL-Berechnungen für eine konsistente Selbstaufmerksamkeitsregularisierung in lokalen Kontexten übereinstimmt. NCBL-PT verbessert die 3D-Segmentierung an Klassenschnitten, was durch einen Anstieg von 3,31 % im Intersection over Union (IOU) für die Aneurysmasegmentierung im Vergleich zum Basis-Punkttransformator-Modell belegt wird.