基于层次网格变分自编码器的器官形状图谱构建
图像与视频处理
2025-06-19 v1
摘要
器官形状图谱用于表示生物体器官和骨骼的形状和位置，可通过少量参数实现，预期在内手术引导和放射治疗等临床应用中发挥广泛作用。由于软器官的形状和位置在患者间差异巨大，线性模型难以重建具有大局部变化的形状。传统非线性模型虽能捕捉复杂形状，但难以控制和解释所获得的器官形状。因此，深度学习在三维形状表示方面受到关注。本研究提出一种基于层次变分自编码器（MeshVAE）的器官形状图谱方法。为表现生物器官的复杂形状和个体间的非线性形状差异，所提方法通过层次化潜在变量保持器官形状重建性能，同时使用低维潜在变量实现形状表示。此外，定义不同分辨率之间顶点对应关系的模板，使网格数据能够实现层次表示并控制器官形状的全局与局部特征。我们采用124例肝脏和胃器官网格数据训练模型，并在19例测试数据上确认，肝脏形状的平均顶点间距为1.5 mm，平均距离为0.7 mm；胃形状的平均顶点间距为1.4 mm，平均距离为0.8 mm。所提方法持续表示插值形状，通过改变不同层次的潜在变量，所提方法相较于主成分分析（PCA）在层次上分离形状特征方面表现出优势。
引用
@article{arxiv.2506.15557,
title = {Construction of an Organ Shape Atlas Using a Hierarchical Mesh Variational Autoencoder},
author = {Zijie Wang and Ryuichi Umehara and Mitsuhiro Nakamura and Megumi Nakao},
journal= {arXiv preprint arXiv:2506.15557},
year = {2025}
}