通过自动解码器和神经ODEs进行大动脉解剖学的可变形注册和生成建模
Riccardo Tenderini1, Luca Pegolotti2,3,4, Fanwei Kong3,4,5
1Institute of Mathematics, EPFL, Lausanne, Switzerland.
npj biological physics and mechanics
|December 8, 2025
概括
本研究介绍了AD-SVFD,这是用于血管形状分析的深度学习框架. 它使用普通微分方程和神经网络高效地注册和生成新的血管几何形状.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 计算解剖学的计算解剖学
背景情况:
- 准确地记录血管形状对于心血管研究至关重要,但传统方法在效率和可扩展性方面扎.
- 现有的技术在对各种解剖形状的概括方面存在局限性.
研究的目的:
- 介绍AD-SVFD,这是一个新的深度学习框架,用于同时进行可变形的注册和血管几何形状的形状合成.
- 在效率,可扩展性和通用性方面克服传统注册方法的局限性.
主要方法:
- AD-SVFD以点云形式表示几何,并使用神经网络参数化的普通微分方程 (ODEs) 模型变形.
- 通过最小化Chamfer距离来实现注册,而形状生成则使用从潜伏代码向后ODE集成.
- 自动解码架构优化了每个解剖结构的嵌入,减少了计算开销.
主要成果:
- 在健康的大动脉解剖学上,AD-SVFD证明了准确的注册和可信的形状生成.
- 与现有方法相比,该框架实现了具有竞争力的计算成本.
- 数字实验证实了该模型对多个形状的高效处理能力.
结论:
- AD-SVFD提供了一个高效和统一的深度学习框架,用于血管几何记录和合成.
- 该模型提供了可信的血管形状的强大生成,推进了心血管研究工具.
- 这种方法提高了解剖数据的处理,使得更可靠的测量和建模.
