Automatic deformable 3D modeling is computationally expensive, especially when considering complex position, orientation and scale variations. We present a volume segmentation framework to utilize local and global regularizations in a data-driven approach. We introduce automated correspondence search to avoid manually labeling landmarks and improve scalability. We propose a novel marginal space learning technique, utilizing multi-resolution pooling to obtain local and contextual features without training numerous detectors or excessively dense patches. Unlike conventional convolutional neural network operators, graph-based operators allow spatially related features to be learned on the irregular domain of the multi-resolution space, and a graph-based convolutional neural network is proposed to learn representations for position and orientation classification. The graph-CNN classifiers are used within a marginal space learning framework to provide efficient and accurate shape pose parameter hypothesis prediction. During segmentation, a global constraint is initially non-iteratively applied, with local and geometric constraints applied iteratively for refinement. Comparison is provided against both classical deformable models and state-of-the-art techniques in the complex problem domain of segmenting aortic root structure from computerized tomography scans. The proposed method shows improvement in both pose parameter estimation and segmentation performance.

自动可变形3D建模在计算上非常昂贵，尤其是在考虑复杂的位置，方向和比例变化时。我们提出了一个体积细分框架，以一种数据驱动的方式利用本地和全局正则化。我们引入了自动对应搜索，以避免手动标记地标并提高可伸缩性。我们提出了一种新颖的边际空间学习技术，该技术利用多分辨率池来获取局部和上下文特征，而无需训练大量检测器或过于密集的补丁。与传统的卷积神经网络运算符不同，基于图的运算符允许在多分辨率空间的不规则域上学习与空间相关的特征，提出了一种基于图的卷积神经网络来学习位置和方向分类的表示。图CNN分类器用于边际空间学习框架中，以提供有效且准确的形状姿态参数假设预测。在分割期间，最初会以非迭代方式应用全局约束，而局部和几何约束会以迭代方式应用以进行细化。在从计算机断层扫描中分割主动脉根结构的复杂问题域中，可以与经典的可变形模型和最新技术进行比较。所提出的方法在姿态参数估计和分割性能上均表现出改进。图CNN分类器用于边际空间学习框架中，以提供有效且准确的形状姿态参数假设预测。在分割期间，最初会以非迭代方式应用全局约束，而局部和几何约束会以迭代方式应用以进行细化。在从计算机断层扫描中分割主动脉根结构的复杂问题域中，可以与经典的可变形模型和最新技术进行比较。所提出的方法在姿态参数估计和分割性能上均表现出改进。图CNN分类器用于边际空间学习框架中，以提供有效且准确的形状姿态参数假设预测。在分割期间，最初会以非迭代方式应用全局约束，而局部和几何约束会以迭代方式应用以进行细化。在从计算机断层扫描中分割主动脉根结构的复杂问题域中，可以与经典的可变形模型和最新技术进行比较。所提出的方法在姿态参数估计和分割性能上均表现出改进。在从计算机断层扫描中分割主动脉根结构的复杂问题域中，可以与经典的可变形模型和最新技术进行比较。所提出的方法在姿态参数估计和分割性能上均表现出改进。在从计算机断层扫描中分割主动脉根结构的复杂问题域中，可以与经典的可变形模型和最新技术进行比较。所提出的方法在姿态参数估计和分割性能上均表现出改进。