增强型等变网格网络在解剖结构分割中的应用

arXiv:2605.08172v2 公告类型：替换交叉版本 摘要：解剖结构网格分割要求模型能够直接处理不规则表面几何，同时对不同分辨率网格之间的坐标姿态变化保持稳健。现有面向特定任务的网格和点云方法并不具备等变性，在测试时受到扰动后性能可能大幅下降；例如，即使采用匹配的训练增强，在旋转 $40^\circ$ 时，3D-IOSSeg 上的性能仍会下降 28–30 个 IoU 点。我们提出 EAMS，即基于 Equivariant Mesh Neural Networks（EMNN）构建的 Equivariant Anatomical Mesh Segmentor，并在三个临床应用领域的四种数据集设置中对其进行评估，涵盖边、顶点和面级监督。我们将内在网格描述符与解剖结构感知先验相结合，包括针对牙弓和肝脏表面通过 PCA 得到的坐标系，并增强消息传递以提供轻量级全局上下文。在颅内动脉瘤和口腔内分割任务中，EAMS 的各个变体在未受扰动的输入上与专用基线方法相比具有竞争力，同时在几何扰动下保持稳定；在肝脏表面分割中，它们展现出标准姿态准确率与旋转鲁棒性之间的良好权衡。这些结果表明，一个轻量级（参数量少于 2M）的等变框架能够在多种标签类型下实现稳健的解剖结构网格分割。