MCVoxel2MeshNet:在CBCT中用于部运河细分的voxel-to-mesh生成
概括
在CBCT图像中,MCVoxel2MeshNet使用神经隐性表示精确地对下管道 (MC) 进行细分. 这种方法提高了3D网格质量,并减少了细分错误,以便更好地进行手术规划.
科学领域:
- 医疗成像医学成像
- 计算机辅助手术 计算机辅助手术
- 计算解剖学的计算解剖学
背景情况:
- 精确的下管 (MC) 分段对于面手术规划至关重要.
- 手动细分是耗时和可变的.
- 目前的CNN模型在与空间不连续性和表面质量作斗争.
研究的目的:
- 开发一种自动化的MC细分方法,用于形光束计算机断层扫描 (CBCT) 图像.
- 与现有方法相比,提高细分精度和3D网格质量.
- 为了提高计算机辅助的面外科手术规划.
主要方法:
- 提出了MCVoxel2MeshNet,这是一个基于神经隐性表示 (NIR) 的voxel-to-mesh网络.
- 模拟MC表面作为连续函数,用于无分割.
- 引入了一种模式感知损失功能,具有多层监督 (面具,网格,点,网格).
主要成果:
- MCVoxel2MeshNet实现了0.85 ± 0.06%的子得分 (DS) 和1.97 ± 1.85毫米的形距离 (CD).
- 在定量和定性评估中表现优于现有的细分网络.
- 生产了连续的,无噪声的MC结构,消除了假阳性和人工物.
结论:
- 在CBCT图像中,MCVoxel2MeshNet提供了准确而强大的MC细分.
- 基于NIR的方法可以实现高保真度3D网格生成.
- 这种方法有可能显著提高计算机辅助面外科手术规划.
