MedPCFM: Mejora de la finalización de nubes de puntos médicos mediante la integración de Transformers de puntos y coincidencia de flujos

Este artículo presenta PCFM, un enfoque de coincidencia de flujos para la finalización de nubes de puntos médicas que integra Point Transformer v3 (PTv3) con modelado generativo de tiempo continuo. El método se evalúa en los conjuntos de datos SkullFix, SkullBreak y Mandibular Defect para evaluar su rendimiento en tareas de reconstrucción anatómica.

• PCFM logra un rendimiento generativo de última generación en todos los conjuntos de datos probados mientras requiere sustancialmente menos pasos de muestreo que los modelos de difusión.
• Es competitivo con las líneas base deterministas de PTv3 y ofrece hasta una aceleración de 7x en comparación con las backbones de PVCNN en los mejores puntos de operación.
• Las tendencias empíricas de escalado muestran ganancias consistentes con mayor resolución de puntos e intercambios informativos entre diferentes escalas de modelo.

Los autores consideran esto significativo porque proporciona una alternativa de alto rendimiento y eficiente a los métodos basados en difusión para flujos de trabajo de imágenes médicas sin sacrificar la calidad generativa.