双流网格卷积网络(TSMCN)在肝脏表面关键解剖结构精准分割中的创新应用

为解决肝脏表面关键解剖区域精准分割难题，研究人员开发了集成全局几何与局部拓扑信息的双流网格卷积网络(TSMCN)。通过并行E-stream(边缘拓扑流)和P-stream(坐标点空间流)特征提取，结合精细聚合(FGA)注意力机制，模型在200例3D肝脏网格数据中显著提升肝脊与镰状韧带分割精度，3D Chamfer距离优于PointNet++和MeshCNN，为AR导航肝手术提供关键技术支撑。

　　

精准的术前肝脏表面关键解剖区域分割对实现术中导航和位置监测至关重要。面对肝脏形态剧烈变异和数据稀缺的挑战，这项研究提出了革命性的双流网格卷积网络(Two-stream Mesh Convolutional Network, TSMCN)——就像给计算机装上了"立体显微镜"和"拓扑扫描仪"两套视觉系统。

技术核心是并行的特征提取流水线：E-stream像侦探般追踪肝脏网格边缘的拓扑线索，P-stream则像测绘卫星般捕捉坐标点的空间关系。通过精心设计的精细聚合(Fine-Grained Aggregation, FGA)注意力机制，两类特征如同精密齿轮般咬合，构建出保留关键解剖结构的智能网格。

在200例手工标注的3D肝脏数据集测试中，TSMCN展现出惊人的解剖识别能力：对肝脊和镰状韧带的分割精度全面超越点云方法(PointNet++)和传统网格方法(MeshCNN)，3D Chamfer距离指标显著降低。特别是对镰状韧带——这个临床上重要的解剖标志，模型识别准确度达到新高度。

这项技术突破为增强现实(AR)引导的肝脏手术铺平了道路，其创新性的双流架构设计思路，也为其他器官的表面解剖识别提供了可借鉴的范式。就像为外科医生配备了智能解剖眼镜，让计算机真正"看懂"肝脏表面的精微结构。