​​​​

[1.1] Jorge Perez–Gonzalez et al.(2019) Automatic Classification of Alzheimer’s Disease based on CPD Brain Point Cloud Registration for Feature Extraction :  2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC)

    本文提出了一种基于两部分点云配准的特征提取方案，在其中，两个点云分别模拟了大脑表面积和大脑baseline，并运用了随机森林算法的分类器区分对照对象，轻度认知障碍患者和阿尔茨海默氏病患者。

    本文使用脑MRI数据。算法开始使用均值平移法对T1-MRI进行灰白质的自动分割。然后使用分割好的大脑组织信息，构建了描述大脑皮质表面积的点云。 使用CPD算法将灰质和白色白质的点云与配准。最后，通过自动比对技术获得转换矩阵并用作随机森林分类器的训练输入并完成分类。

    本文可能的启示：本文主要分为三个部分，分别是大脑区域分割，点云重建和CPD配准，以及随机森林分类。本文认为，随机森林分类器拥有较好的分类效果，使用点云图提取特征有助于提高其分类效率。本文带来的启发主要有两个：第一是如果描述自有架构的创新点，可以参照本文说生成的模型应该易于分类，第二是本文采用传统方法从MR图像生成点云，或许可以用生成模型直接替换这一部分，做一个论文结构上不变方法上修改的创新。

[1.2] Shinji Yamada et al.(2018) Extraction of Median Plane from Facial 3D Point Cloud Based on Symmetry Analysis Using ICP Algorithm :  2018 18th International Conference on Control, Automation and Systems (ICCAS)

    本文所涉及的医学领域是唇裂，唇裂是一种先天性面部形态异常。本文认为，现在还没有基于对称的观点来分析唇裂的方法。而在以前使用的方法中，仅从2D图像查找对称轴，在正视图中提取了中线。这样就会因为面部的轻微旋转而降低精度，并且该方法无法考虑3D信息。本文中所介绍的方法通过使用前脸的3D点云基于双边对称性进行分析。本文对自己创新点的总结是：可以协助医生的手术，而且可以成为开发仿真软件的线索。

    本文可能的启示：本文涉及面部医学图像，面部医学图像与脑部类似，都是对称结构。所以本文涉及的针对图像对称性的创新点或许对于其他相似的医学场景模型也用得上。

[1.3] Leonardo Ishida Abe et al.(2014) High-speed point cloud matching algorithm for medical volume images using 3D Voronoi diagram:  2014 7th International Conference on Biomedical Engineering and Informatics

    本文认为，一些呼吸系统疾病如COPD和哮喘的检查在很大程度上取决于医学图像质量。而大多数针对呼吸系统图像的配准都是逐层分析3D CT图像的配准。而通过从CT中分割3D点云，可以用不同且更准确的方式分析数据。本文提出了一种快速算法，可以计算两个点云之间的刚性配准，使迭代最近点（ICP）算法可以用3D Voronoi图进行点对应确定，从而减少了处理时间。

    本文可能的启示：本文使用非深度学习算法，运用于3D点云的算法往往比运用在切片数据上的算法快（如CT/MR），因此对传统图像算法的点云改进具有提高效率的优势。

[1.4] Haofei Wang et al.(2017) Using point cloud data to improve three dimensional gaze estimation:  2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC)

    本文解决了使用远程眼动仪估算3D环境中注视位置的问题。本文研究如了何将凝视方向与Kinect传感器提供的基于点云的场景表示相结合，而不仅仅是依靠眼动仪提供的数据。本文虽然是医学领域的论文，但是主要偏向硬件。可能的启发点是揭示了提出一种点云图和传统图像一起配合进行任务的算法的可能性，并认为这样的配合可能有更好的精度。

[1.5] Patrik Kamencay et al. (2019) Improved Feature Point Algorithm for 3D Point Cloud Registration： 2019 42nd International Conference on Telecommunications and Signal Processing (TSP)

    本文像是前面数篇文章的结合，本文为了克服诸如移位，旋转，放大的问题，试图将多个角度的场景图重建成一个3D模型。这就涉及到了配准问题。本文中结合3D SIFT（尺度不变特征变换）和KNN算法，改进了ICP（迭代最近点）算法并用于图像配准。本文对颅骨场景，使用了点估计，特征提取和ICP算法配准的过程。本文认为这样有助于提高ICP算法的收敛性。

    本文可能的启示：本文与第一篇文章都使用了一个技术：将多个不同类别的图像配准成一个平均的baseline，再运用这个baseline对其他场景进行分类，这样或许有更加突出的效果和说服力。

[1.6] Hui Li et al. (2011) RESEARCH ON MODEL CORRECTION BASED ON SCATTERED POINT CLOUD DATA SURFACE RECONSTRUCTION :  IET International Communication Conference on Wireless Mobile and Computing (CCWMC 2011)

    本文太过久远，只是粗略的看一下即可。本文的原始数据有很多噪声，并且没有法线矢量信息，本文因此使用泊松表面重构算法来创建3D心脏模型，然后通过从模型表面移除或添加点来校正形状以完善心脏模型。本文中提及，如果原始数据的噪声过多，传统重建算法不适用，就可以考虑点云重建。这也是一个非常有意义的动机：噪声隐去的信息大多是点云不关注的细节信息，因此点云的重建几乎不受影响。

[1.7] Daisuke Hosoki et al. (2019) Detection of Facial Symmetric Plane Based on Registration of 3D Point Cloud： 2019 19th International Conference on Control, Automation and Systems (ICCAS)

    本文也是使用点云技术来处理唇裂的医学场景，设计的算法是分割和分类的结合：将病患图像和正常图像都进行点云重建，并配准，分割出病变区域，重合其他区域，然后就可以将病变部分排除，运用正常的部分，使用算法检测面部的对称面（我猜测这是一种治疗所需要的数据）。本文也提供了一些使用点云数据的动机：运用点云数据，可以将病变大脑与正常大脑的正常部分重合，以此分割出病变区域，并排出它的影响，然后再得到一些我们需要但是因为病变不能得到的数据。