重塑:可靠的形状与隐含模板的交互,用于医学解剖学重建

科学领域:

• 医学成像医学成像
• 计算机视觉 计算机视觉 计算机视觉
• 计算解剖学的计算解剖学

背景情况:

• 对体积医学图像的精确形状建模对于定量分析和手术规划至关重要.
• 目前用于自动形状重建的深度学习方法面临图像分辨率和形状先前约束的局限性.

研究的目的:

• 开发一种用于连续空间中可靠和准确的解剖形状建模的新方法.
• 克服医疗图像形状重建中现有的深度学习模型的局限性.

主要方法:

• 引入可靠的形状交互与隐含模板 (ReShapeIT) 网络.
• 使用连续的隐性场而不是离散的声格子来表示解剖结构.
• 使用特定类别的隐式模板字段与变形网络和模板交互模块 (TIM) 结合用于形状编码和改进.

主要成果:

• ReShapeIT在肝脏,胰腺和肺叶数据集上进行了评估.
• 与最先进的方法相比,该方法在3D形状重建方面表现出卓越的性能.
• 在所有测试的解剖结构中获得了竞争性的Chamfer Distance/Earth Mover's Distance分数.

结论:

• ReShapeIT为隐性解剖形状建模提供了一种可靠和可泛化的方法.
• 该方法有效地利用共享模板先验和实例级变形.
• ReShapeIT的代码是公开可用的,用于进一步的研究和应用.