Strukturierte Landmark-Detektion mittels topologieanpassendem tiefen Graph-Lernen

Die Detektion von Bildlandmarken zielt darauf ab, die Positionen vordefinierter fiduzialer Punkte automatisch zu identifizieren. Trotz der jüngsten Fortschritte auf diesem Gebiet wurde die Modellierung höherer Ordnung zur Erfassung impliziter oder expliziter Beziehungen zwischen anatomischen Landmarken bisher nicht ausreichend genutzt. In dieser Arbeit präsentieren wir einen neuen, topologieanpassenden Ansatz basierend auf tiefem Graphenlernen zur präzisen Detektion anatomischer Gesichts- und medizinischer (z. B. Hand, Becken) Landmarken. Der vorgeschlagene Ansatz konstruiert Graphensignale, indem sowohl lokale Bildmerkmale als auch globale Formmerkmale genutzt werden. Die adaptive Graphentopologie erkundet und identifiziert selbstständig struktur-spezifische Muster, die end-to-end mit zwei Graphen-Convolutional Networks (GCNs) gelernt werden. Umfassende Experimente wurden auf drei öffentlichen Datensätzen mit Gesichtsbildern (WFLW, 300W und COFW-68) sowie drei realen Röntgen-Datensätzen im medizinischen Bereich (Cephalometrie (öffentlich), Hand und Becken) durchgeführt. Quantitative Ergebnisse, die mit vorherigen state-of-the-art-Verfahren verglichen wurden, zeigen die überlegene Leistung sowohl in Bezug auf Robustheit als auch Genauigkeit auf allen untersuchten Datensätzen. Qualitative Visualisierungen der gelernten Graphentopologien demonstrieren eine physikalisch plausibel erscheinende Verbindung zwischen den Landmarken.