基于 PointNet++ 的颅内动脉瘤 3D 点云分割

摘要：颅内动脉瘤的精准分割在医学影像诊断中具有重要意义。文章提出了一种基于3D点云的先进方法，通过提取动脉瘤特征实现高精度分割。针对传统点云分割方法存在的数据预处理要求高、局部特征捕捉不足以及层间信息流失等问题，文章引入了PointNet++网络架构。PointNet++在点云数据的分类和分割任务中展现了卓越性能，其通过对点云中的局部和全局特征进行学习，能够有效处理不规则和无序的数据集。这一特性使其特别适合从CTA和MRA影像中提取颅内动脉瘤的特征。文章采用 PointNet++网络对CTA 和MRA影像进行预处理，以适应不同医院影像设备的差异，并利用该网络进行分割，精准捕捉颅内动脉瘤的边缘特征，从而实现高精度分割。该方法为颅内动脉瘤的精准分割提供了一种可行的解决方案，有助于提高诊断效率并降低医疗成本。

关键词：深度学习；颅内动脉瘤；3D 点云；PointNet++；图像分割

中图分类号：TP181 文献标识码：A

文章编号：1009-3044（2025）01-0033-03 开放科学（资源服务） 标识码（OSID） ：

0 引言

颅内动脉瘤（Intracranial Aneurysm） 是一种严重的血管疾病，可能引发脑出血和脑梗死等严重后果[1]，对神经功能造成不可逆的损害。一旦瘤体破裂，可能导致脑出血，严重时甚至危及生命。此外，颅内动脉瘤的生长可能对周围神经组织产生压迫，进而引发剧烈头痛、呕吐、意识障碍等症状[2]。部分患者还可能出现颈部僵硬和神志不清[3]。因此，对于出现上述症状的患者，及时进行专业的医学检查和治疗至关重要，以避免潜在的严重后果。

颅内动脉瘤的精准诊断和治疗是医学影像处理领域的一个重要且具有挑战性的课题。近年来，三维点云技术的应用为颅内动脉瘤的诊断提供了新的研究方向[4]。然而，如何高效处理和分析这些复杂的三维点云数据，以提高诊断的准确性和可行性，仍然是一个亟待解决的问题。

针对上述挑战，深度学习方法在医学影像处理领域取得了显著成就[5]。特别是，PointNet++网络架构作为一种前沿的深度学习技术，已经证明了其在处理三维点云数据方面的卓越能力。PointNet++能够有效捕获点云数据中的局部和全局特征[6]，并且在处理不规则和无序数据方面具有显著优势，这使其在医学图像处理领域展现出巨大的应用潜力。本研究旨在验证采用 PointNet++ 网络架构处理颅内动脉瘤三维点云数据的可行性和准确性。通过深入分析，本文探索PointNet++在颅内动脉瘤诊断中的潜在优势，以及其对提高医学影像处理效率的实际影响。

本研究不仅有望促进颅内动脉瘤的早期识别和个体化治疗，还为医学图像处理领域的创新研究与实践应用提供了重要的新视角。通过本文的研究，期待为颅内动脉瘤等严重疾病的诊断与治疗提供有力的技术支持。本文的目标是评估基于PointNet++的三维点云分割方法在颅内动脉瘤诊断中的效能，并探讨其在该领域中的广泛应用可能性。

1 本文方法

本文采用了PointNet++模型，该模型在传统Point⁃Net的基础上引入了层次结构的概念。网络模型的结构如图1所示。首先，本文介绍PointNet基线模型的基本原理，然后详细讲解了分层点集特征学习的过程。接着，讨论了在不均匀采样密度条件下如何进行可靠的特征学习。最后，说明了点特征传播如何应用于集合分割任务。

1.1 PointNet

对于一个无序的点集合{ x1，x2，...，xn }，其中xi ∈ Rd，可以定义一个集合函数f ：X → R，将这组点映射到一个向量，这里的X 表示点集，R 表示实数集，d 表示点的维度。

其中， γ 和 h 通常采用多层感知器（MLP） 网络。

公式（1） 中的集合函数不会受到输入点排列的影响，并且可以对任意连续集合函数进行任意接近[7]。

PointNet 在一些基准测试中表现出了显著的性能。然而，它缺乏对不同尺度上的局部上下文进行捕捉的能力。针对这一限制，在下一节中引入了分层进行的特征学习框架，以解决这一问题。

1.2 分层点集特征学习

虽然 PointNet 通过单一的最大池化操作将整个点集聚合在一起，但本文提出的新架构建立了层次分明的点状分组，并沿着逐步扩大的局部区域提取层次化的特征。

本文的分层结构由多个集合抽象层次构成。集合抽象层次包括三个关键步骤：采样层、分组层和PointNet层。采样层：从输入点集中选择一组点，确定局部区域的中心点。 分组层：围绕中心点构建局部区域集合，寻找“邻接点”。PointNet 层：通过迷你 Point⁃Net 对局部区域进行编码，生成特征向量。

一个集合抽象层以一个N × （d + C ） 的矩阵作为输入，其中N 为点的数量，具有d 维坐标和C 维点特征。它输出一个 N' × （d + C'） 的矩阵，其中包含 N' 个子采样点，具有d 维坐标和新的C'维特征向量，表示总结了局部上下文的特征向量。

1.3 在不均匀采样密度下的可靠特征学习

点集的密度在不同区域通常是不均匀的，这对点集特征的学习提出了极大的挑战。从密集区域中学到的特征不一定能够推广到稀疏区域。因此，为稀疏点云训练的模型可能无法识别局部结构的细微之处。

在理想情况下，希望尽可能仔细地检查点集，以捕获点集采样区域中的最细微之处。然而，在低密度区域，这种近距离检查受到限制，因为采样不足可能会破坏局部模式。在这种情况下，需要寻找更大尺度的模式，以覆盖更广泛的区域。为了达成这一目标，提出了包括 （a） 多尺度分组 （MSG） 和 （b） 多分辨率分组 （MRG） 的密度自适应 PointNet 层，如图 2 所示。它们能够在输入密度变化的情况下学习将不同尺度区域的特征合并。将具有密度自适应 PointNet 层的分层网络称为 PointNet++。在第 2.2 节中，分组和特征提取的单一尺度被包含在每个抽象层次中。而在PointNet++ 中，每个抽象级别都会抽取多个尺度的局部模式，并智能地结合在一起，根据局部点的密度进行组合。因此，在结合不同尺度的局部特征后，提出了以下两种密度自适应层的类型：

1） 多尺度分组 （MSG）。如图 2（a） 所示，通过相应的 PointNet 应用不同尺度的分组层，然后提取各个尺度的特征。这是一种简单有效的多尺度模式捕捉方法。将不同尺度的特性串联起来，形成多尺度的特征表示。通过训练网络学习一种优化策略，以组合这些多尺度特征。将其称为随机输入丢失。

2） 多分辨率分组 （MRG）。由于 PointNet 运行在每个质心点的大尺度邻域上，因此上述 MSG 方法在计算上是昂贵的。特别是在最低级别时，质心点的数量通常相当大，导致时间成本显著增加。在这里，提出了一种替代方法，以避免这些计算开销，同时仍然保留根据点的分布特性进行信息自适应聚合的能力。如图 2（b） 所示，某一层次区域的特征由两个向量的串联组成：第一种向量（图中左侧） ：通过较低层次的各个子区域提取的特征，并利用集合抽象层次总结得到。第二种向量（图中右侧） ：直接在该区域的所有原始点上，通过单个 PointNet 处理提取的特征。

1.4 点特征传播用于集合分割

在集合抽象层中，原始点集已经被采样过。然而，在诸如语义点标记的集合分割任务中，需要获取所有原始点的点特征。一种解决方法是始终在质心的所有集合抽象层中的所有点上进行操作，但这会导致计算成本过高，这种方法被称为质心所有集合抽象。另一种方式是将特征从子采样点传播到原始点。采用一种基于距离的插值和跨级跳连的分层传播策略，具体如图 1 所示。

在一个特征传播层中，将点特征从Nl × （d + C ） 个点传播到Nl - 1 个点，其中Nl - 1 和Nl（满足N l ≤Nl - 1）分别是输入和输出集合抽象层l 的点集大小。通过在Nl 点的坐标处插值Nl - 1 点的特征值f 来实现特征传播。在众多插值方法中，采用基于k 最近邻的反距离加权平均，其基础是最近的邻点（如公式 2 所示，默认使用p = 2，k = 3） 。随后，将Nl - 1 点上的插值特征与从集合抽象层引出的跳连特征串联起来。

接着，通过“单元 PointNet”将串联特征传递出去，这在 CNN 中类似于一个点的卷积。在每个点的特征向量更新中，应用了一些共享的全连接层和 ReLU 层。这个过程不断重复，直到将特征传播到原始点集合。

2 实验与分析

2.1 数据集

IntrA [8]数据集用于对点云数据进行分类和分割。IntrA 收集了103位带有血管系统的患者的整个脑部3D 模型。通过对患者扫描的 2D MRA 图像进行重建，形成了整个脑血管系统的 3D 模型。IntrA 包含了由专家手动注释的1 694个健康血管部分、215个动脉瘤部分和116个动脉瘤分割部分。所有的2 025个样本都被表示为3D点云。这些2 025个血管部分和动脉瘤部分被用作本研究中的分类数据集，而116个标注的动脉瘤分割部分被用作分割数据集。此外，数据集还通过 FileSplit 文件夹中的数据集文件拆分为 5 个子集，从而实现了 5 折交叉验证。

2.2 实验环境

实验在 Linux 操作系统下运行，训练环境如表 1 所示。此外，通过选择1 000 个 Epoch 和 Batch Size 为 32，模型能够在保证训练效率的同时充分学习数据特征。使用 Adam 优化器，利用其自适应学习率的优势，提高训练的适应性和稳定性。引入10-4的WeightDecay来防止过拟合，并每20个Epoch降低学习率以优化收敛过程，同时设置学习率衰减量为0.7，以精细调整后期学习。整体上，这些设置旨在实现高效、稳定的训练效果，最大化模型性能。

3 实验结果

该实验为医学 3D 点云（IntrA） 分割实验。表2对目前在点云深度学习中使用的 PointNet 算法与 Point⁃Net++ 的五折交叉验证结果进行了比较。第二列中的“采样点数”标题表示输入样本点的数量。IOU 或DSC 的 95% 置信区间由 CI95 表示。V.和 A.分别表示健康血管部分和动脉瘤部分。表中相应的结果是所有折叠的平均值。交并比（IOU） 和 Sørensen-Dice 系数（DSC） 显示 PointNet++ 在颅内动脉瘤分割方面表现出显著的性能优势。

在采用基础的 PointNet++ 网络时，512 个样本点在动脉瘤部分的分割中表现最佳，而 1 024 个样本点在健康血管部分的分割中表现最佳。512 个样本点的动脉瘤分割结果中，IOU 和 DSC 系数分别比原始任务高出 19.43%和38.92%。此外，1 024 个样本点的血管分割结果中，IOU 和 DSC 系数分别比原始任务高出18.12%和39.31%。

表2显示，在血管分割结果中，采用模型在 1 024 个采样点的情况下分割得到的 IOU 最高值为93.35%，DSC 最高值为76.38%。在颅内动脉瘤分割结果中，采用模型在 512 个采样点的情况下分割得到的最高 IOU 和 DSC 值分别为93.42% 和76.22%。

本研究提出的方法在颅内动脉瘤分割指标上相较于 PointNet 表现出显著的性能提升，IOU 指标提高了 19.43%，DSC 指标提高了 38.92%；在血管分割指标上，IOU 提高了18.12%，DSC 提高了 39.31%。由此可见，所采用的模型不仅能够显著改善颅内动脉瘤分割效果，还能够提高血管分割的准确性。

为了更直观地展示分割结果，图 3 给出了三个模型在 1 024 个采样点时的分割结果。第一行显示了PointNet 的分割结果，第二行显示了 PointNet++ 的分割结果，最后一行显示了真实情况。视觉分析结果表明，提出的模型在健康血管部分和动脉瘤部分均改善了原始任务的分割结果，并且基于多层特征嵌入的深度网络的分割结果更接近真实情况。