幾何形状、クラス不均衡、および配列が再構築精度に及ぼす影響——微 CT フェントムに基づく評価

arXiv:2602.07658v1 Announce Type: new 要約：医療画像から作成された 3D モデルの精度は、画像取得ハードウェア、分割手法、メッシュ処理技術などによって異なります。幾何形状の種類、クラス不均衡、ボクセルおよび点雲の配列精度への影響は十分に探求されていません。本研究では、再構築パイプライン全体の誤差を評価し、異なる分割アルゴリズムおよび幾何形状に適用できるボクセルおよび表面ベースの精度指標の利用を探求します。SLA 技術を用いて球体、フェイスマスク、AAA（大動脈閉塞術）を印刷し、微 CT マシンでスキャンしました。分割には GMM、Otsu、RG 手法に基づく方法が使用されました。KU アルゴリズムによって配列された分割モデルと参照モデルを、Diche、Jaccard スコア、精度などの指標を評価するために定量比較しました。表面メッシュは ICP ベースの配列プロセスを使用して参照メッシュに登録され、チャンバー距離および平均ハウドルフ距離などの指標が評価されました。Otsu 手法はすべての幾何形状において最も適した方法であったことがわかりました。AAA の低な重ね合わせスコアは、その薄壁および配列不良の結果として考えられます。クラス不均衡の影響は AAA において特異性の側で最も観察されました。表面ベースの精度指標はボクセルベースのトレンドと異なりました。RG 手法は球体において最も優れており、AAA においては GMM と Otsu 方が優れています。フェイスマスクの表面は ICP プロセスの配列過程の不一致により誤差の多いものとされています。分割精度は、再構築プロセスの異なる段階の誤差の累積和です。クラス不均衡が高くて配列に対して敏感な場合、高ボクセルベースの精度指標は誤解を招く可能性があります。Jaccard 指数は Dice 指数よりも厳格であることがあり、薄壁構造の精度評価に更為適合すると考えられます。ボクセルおよび点雲の配列を確実にすることで、再構築パイプラインの信頼のある評価が可能となります。

arXiv:2602.07658v1 Announce Type: new Abstract: The accuracy of the 3D models created from medical scans depends on imaging hardware, segmentation methods and mesh processing techniques etc. The effects of geometry type, class imbalance, voxel and point cloud alignment on accuracy remain to be thoroughly explored. This work evaluates the errors across the reconstruction pipeline and explores the use of voxel and surface-based accuracy metrics for different segmentation algorithms and geometry types. A sphere, a facemask, and an AAA were printed using the SLA technique and scanned using a micro-CT machine. Segmentation was performed using GMM, Otsu and RG based methods. Segmented and reference models aligned using the KU algorithm, were quantitatively compared to evaluate metrics like Dice and Jaccard scores, precision. Surface meshes were registered with reference meshes using an ICP-based alignment process. Metrics like chamfer distance, and average Hausdorff distance were evaluated. The Otsu method was found to be the most suitable method for all the geometries. AAA yielded low overlap scores due to its small wall thickness and misalignment. The effect of class imbalance on specificity was observed the most for AAA. Surface-based accuracy metrics differed from the voxel-based trends. The RG method performed best for sphere, while GMM and Otsu perform better for AAA. The facemask surface was most error-prone, possibly due to misalignment during the ICP process. Segmentation accuracy is a cumulative sum of errors across different stages of the reconstruction process. High voxel-based accuracy metrics may be misleading in cases of high class imbalance and sensitivity to alignment. The Jaccard index is found to be more stringent than the Dice and more suitable for accuracy assessment for thin-walled structures. Voxel and point cloud alignment should be ensured to make any reliable assessment of the reconstruction pipeline.