一种用于直接全心脏网格重建的深度学习方法
图像与视频处理
2021-09-15 v2 计算机视觉与模式识别
摘要
从体医学图像自动构建心脏结构的表面几何对许多临床应用十分重要。尽管基于深度学习的方法已展现出有前景的重建精度，这些方法大多聚焦于体素级分割，继而进行表面重建与后处理。然而，此类方法存在若干局限，包括因分割错误导致的区域不连通或表面拓扑不正确，以及因分割分辨率有限导致的阶梯状伪影。我们提出一种新颖的基于深度学习的方法，直接从体 CT 和 MR 图像数据预测全心脏表面网格。我们的方法利用图卷积神经网络，从预定义网格模板预测网格顶点的形变，以在 3D 图像体中重建多个解剖结构。我们的方法在 CT 和 MR 数据上均展现出优于或等同于先前基于深度学习方法的全心脏重建精度。此外，通过形变模板网格，我们的方法能生成具有更好解剖一致性的全心脏几何，并从较低分辨率输入图像数据产生高分辨率几何。我们的方法还能从 CT 或 MR 电影序列对心脏运动生成时间一致的曲面网格预测，因此有望用于高效构建 4D 全心脏动力学。我们的代码与预训练网络见 https://github.com/fkong7/MeshDeformNet
引用
@article{arxiv.2102.07899,
title = {A Deep-Learning Approach For Direct Whole-Heart Mesh Reconstruction},
author = {Fanwei Kong and Nathan Wilson and Shawn C. Shadden},
journal= {arXiv preprint arXiv:2102.07899},
year = {2021}
}