基于扩散模型与隐式神经表征的 3D 肝脏形状数据集提升
计算机视觉与模式识别
2025-04-29 v1
摘要
虽然开放的3D医学形状数据集正在不断增加，为研究社区带来了诸多好处，但我们发现许多数据集实际上杂乱无章且包含瑕疵，这些问题限制了鲁棒模型的开发与训练，尤其是针对准确的3D重建任务。本文考察了当前可获得的3D肝脏形状数据集现状，并提出解决方案，即结合扩散模型与隐式神经表征（INR）来增强和扩充现有数据集。我们的方法利用扩散模型的生成能力，创建逼真且多样化的3D肝脏形状，捕捉广泛的解剖变异，解决数据稀缺的问题。实验结果表明，我们的方法提升了数据集的多样性，为改进医学应用中3D肝脏重建与生成的准确性和可靠性提供了可扩展的解决方案。最后，我们建议扩散模型也可应用于3D医学影像的其他下游任务。
关键词
引用
@article{arxiv.2504.19402,
title = {Boosting 3D Liver Shape Datasets with Diffusion Models and Implicit Neural Representations},
author = {Khoa Tuan Nguyen and Francesca Tozzi and Wouter Willaert and Joris Vankerschaver and Nikdokht Rashidian and Wesley De Neve},
journal= {arXiv preprint arXiv:2504.19402},
year = {2025}
}