3D 医学点云变换器：在注意力网络中引入卷积以进行医学点云分析

近年来，通用点云在不同任务中受到了越来越多的关注，最近提出了基于Transformer的网络用于点云分析。然而，对于在疾病检测和治疗中具有重要意义的医学点云，相关研究却相对较少。在本工作中，我们提出了一种专门针对医学点云的注意力模型，即3D医学点Transformer（3DMedPT），以检查复杂的生物结构。通过增强上下文信息并在查询时汇总局部响应，我们的注意力模块能够捕捉局部上下文和全局内容特征的交互。然而，医学数据训练样本不足可能导致特征学习效果不佳，因此我们应用位置嵌入来学习精确的局部几何结构，并采用多图推理（Multi-Graph Reasoning, MGR）来检查通道图上的全局知识传播，从而丰富特征表示。在IntrA数据集上进行的实验证明了3DMedPT的优势，在分类和分割任务中取得了最佳结果。此外，我们在通用3D点云基准数据集ModelNet40和ShapeNetPart上的实验进一步验证了该方法的良好泛化能力。代码已公开发布。