トポロジー適応型ディープグラフ学習を用いた構造化ランドマーク検出

画像ランドマーク検出は、事前に定義された特徴点（ファイドーシャルポイント）の位置を自動的に同定することを目的としている。近年の進展にもかかわらず、解剖学的ランドマーク間の隠れたあるいは明示的な関係を捉えるための高次構造モデリングは十分に活用されていない。本研究では、正確な解剖学的顔面および医療画像（例：手部、骨盤）ランドマーク検出を実現するため、トポロジーを適応的に学習する深層グラフ学習手法を提案する。本手法は、局所的な画像特徴とグローバルな形状特徴を統合してグラフ信号を構築する。適応的グラフトポロジーは、2つのグラフ畳み込みネットワーク（GCN）によりエンドツーエンドで学習されるタスク固有の構造を自然に探索・捕捉する。本手法の有効性を、3つの公開顔画像データセット（WFLW、300W、COFW-68）および3つの実世界X線医療データセット（セファロメトリック（公開）、手部、骨盤）を用いた広範な実験により検証した。すべてのデータセットにおいて、従来の最先端手法と比較した定量的評価結果から、本手法が精度およびロバスト性の面で優れた性能を示すことが明らかになった。また、学習されたグラフトポロジーの定性的可視化により、ランドマークの背後にある物理的に妥当な接続性が明確に示された。