arXiv cs.AI· Geonwoo Baek, Ikbeom Jang·· 1 天前AI 评分20
vSV-ViT：面向阿尔茨海默病皮层表面学习的可变尺寸超顶点视觉 Transformer
vSV-ViT: Variable-size SuperVertex Vision Transformer for Cortical Surface Learning in Alzheimer's Disease
AI 导读
研究者提出可变尺寸超顶点（vSV）划分方法，并据此设计 vSV-ViT——通过填充、掩码感知的 patch 嵌入与顶点位置嵌入处理 vSV 的视觉 Transformer，用于皮层表面学习。在阿尔茨海默病脑影像数据集上，以皮层厚度与皮层曲率网格为输入，vSV-ViT 在 AD 相关分类与性别预测任务上预测准确率优于近期基于表面的模型。代码已公开，论文被 ACCV 2026 接收。
正文 · AI 翻译
摘要：从 3D 网格中学习具有挑战性，因为数据位于嵌入 3D 空间的非欧几里得曲面上。这在脑皮层表面分析等领域尤为明显，现有模型通常依赖于与 ROI 无关的、基于面的或固定大小的图块。此类图块可能重复边界顶点、混淆解剖学上不同的区域，或纳入非皮层顶点（如内侧壁顶点）。我们开发了可变大小超顶点（vSV）划分方法，将皮层表面顶点分组为类似图像中超像素的 vSV 图块。基于这些 vSV，我们设计了可变大小超顶点视觉 Transformer（vSV-ViT），该视觉 Transformer 通过填充、掩码感知图块嵌入和顶点位置嵌入来处理 vSV。我们通过定量分析表面划分中的顶点分配，并使用阿尔茨海默病脑图像数据集进行下游任务，展示了所提出框架的优势。对于下游任务，我们使用皮层厚度和皮层曲率的网格作为各种编码器模型的输入，并评估分类性能。vSV-ViT 优于近期基于表面的模型，其更高的预测准确率支持了其在皮层表面学习中的有效性，并以 AD 相关预测和性别预测作为下游验证。将该框架扩展到其他皮层表面应用和更广泛的 3D 网格领域仍是未来工作。代码可在 此 https URL 获取。
| 注释： | 已被 ACCV 2026 接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2605.26514 [cs.CV] |
| （或 arXiv:2605.26514v3 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.26514 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Geonwoo Baek [查看邮箱]
[v1]
2026 年 5 月 26 日星期二 03:57:33 UTC（13,405 KB）
[v2]
2026 年 10 月 4 日星期日 11:08:03 UTC（3,620 KB）
[v3]
2026 年 11 月 11 日星期三 09:07:46 UTC（3,791 KB）
来源：arXiv cs.AI · arxiv.org