相关实验视频
Updated: Jan 18, 2026

05:05
Four-Dimensional CT Analysis Using Sequential 3D-3D Registration
Published on: November 23, 2019
8.4K
ToPoMesh:通过拓修改通过CT体积数据精确的3D表面重建
Junjia Chen1, Qing Zhu1, Bowen Xie2
1College of Computer Science, Beijing University Of Technology, Beijing, 100124, China.
Medical & biological engineering & computing
|May 27, 2025
概括
深度学习框架ToPoMesh直接从CT扫描中重建高保真度3D表面网格,克服分辨率限制和文物. 这项创新简化了医疗成像分析,用于手术规划和诊断.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 计算几何学的计算几何学
背景情况:
- 传统的计算机断层扫描 (CT) 3D重建方法存在分辨率限制和漫长的后处理.
- 基于voxel的细分和表面重建管道经常引入诸如断开区域和拓不一致的文物.
研究的目的:
- 引入ToPoMesh,这是一个端到端的深度学习框架,用于从CT体积数据中直接,高准确度的3D表面网格重建.
- 克服传统方法的局限性,提高3D网格生成的准确性和效率.
主要方法:
- 开发了一个端到端的深度学习框架,ToPoMesh,用于从CT数据直接进行3D网格重建.
- 结合了精确的本地和全球形状建模,使用带有剩余连接和自我注意的图形卷积网络.
- 实施了自适应变异密度 (Avd) 网格分离策略和用于错误修剪和表面光滑的拓修改模块.
主要成果:
- 与最先进的方法相比,ToPoMesh在多个数据集 (LiTS,MSD胰腺瘤,MSD海马体,MSD) 中表现出优越的性能.
- 对肝脏数据的Chamfer距离减少了57.4%,F-score与端到端3D重建方法相比提高了0.47%.
- 定性结果显示,对薄结构和复杂的解剖拓学的增强忠实性,优于细分框架.
结论:
- ToPoMesh有效地消除了从CT图像中进行3D网状重建的手动后处理的需要.
- 该框架可以直接生成3D网格,为外科规划和诊断提供精确的指导.
- 这种深度学习方法显著提高了基于医学图像的3D建模的准确性和效率.
更多相关视频
14:15Multicolor 3D Printing of Complex Intracranial Tumors in Neurosurgery
Published on: January 11, 2020
7.6K
07:57Scaled Anatomical Model Creation of Biomedical Tomographic Imaging Data and Associated Labels for Subsequent Sub-surface Laser Engraving SSLE of Glass Crystals
Published on: April 25, 2017
8.7K