Geo-Net: Geometrie-gesteuertes Pretraining für die Segmentierung von Zahn-Punktwolken

Die genaue Abgrenzung einzelner Zähne in 3-dimensionalen Zahn-Punktwolken ist eine wichtige kieferorthopädische Anwendung. Lernbasierte Segmentierungsmethoden stützen sich auf gelabelte Datensätze, die typischerweise in ihrem Umfang aufgrund des arbeitsintensiven Prozesses der Annotation jedes Zahns begrenzt sind. In diesem Artikel schlagen wir ein selbstüberwachtes Pretraining-Framework namens Geo-Net vor, um die Segmentierungsleistung durch die Nutzung großangelegter unbeschrifteter Daten zu steigern. Das Framework basiert auf skalierbaren maskierten Autoencodern, und es werden zwei geometrie-gesteuerte Designs, der krümmungsbewusste Patch-Algorithmus (CPA) und die skalierungsbewusste Rekonstruktion (SCR), vorgeschlagen, um das maskierte Pretraining für die Segmentierung von Zahn-Punktwolken zu verbessern. Insbesondere ist CPA darauf ausgelegt, informative Patches als Rekonstruktionseinheit zu kombinieren, geleitet von den geschätzten punktweisen Krümmungen. Mit dem Ziel, den vortrainierten Encoder mit einer skalierungsbewussten Modellierungsfähigkeit auszustatten, schlagen wir auch SCR vor, um multiple Rekonstruktionen über flache und tiefe Schichten durchzuführen. In-vitro-Experimente zeigen, dass das vorgeschlagene Geo-Net nach dem Pretraining mit großangelegten unbeschrifteten Daten die überwachten Gegenstücke im Mean Intersection of Union (mIoU) mit der gleichen Menge an annotierten gelabelten Daten übertreffen kann. Der Code und die Daten sind verfügbar unter https://github.com/yifliu3/Geo-Net.