基于自解码器与神经常微分方程的主动脉解剖结构可变形配准与生成式建模
计算机视觉与模式识别
2025-06-03 v1 数值分析
数值分析
摘要
本工作提出了 AD-SVFD，一种用于将血管形状可变形配准到预定义参考并生成合成解剖结构的深度学习模型。AD-SVFD 通过将每个几何体表示为加权点云来运行，并将环境空间形变建模为 ODE 在单位时间下的解，其时间无关的右端项通过人工神经网络表示。通过最小化变形点云与参考点云之间的 Chamfer Distance 来优化模型参数，同时 ODE 的后向积分定义了逆变换。AD-SVFD 的一个显著特征是其自解码器结构，该结构能够跨形状队列泛化并促进高效的权重共享。具体而言，每个解剖结构与一个低维代码相关联，该代码充当自条件场，并在训练期间与网络参数联合优化。在推理阶段，仅对潜在代码进行微调，从而大幅降低计算开销。此外，隐式形状表示的使用支持了生成式应用：通过从潜在空间中适当采样并将相应的逆变换应用于参考几何体，可以合成新的解剖结构。在健康主动脉解剖结构上进行的数值实验展示了 AD-SVFD 的高质量结果，该模型在具有竞争力的计算成本下产生了极其精确的近似。
引用
@article{arxiv.2506.00947,
title = {Deformable registration and generative modelling of aortic anatomies by auto-decoders and neural ODEs},
author = {Riccardo Tenderini and Luca Pegolotti and Fanwei Kong and Stefano Pagani and Francesco Regazzoni and Alison L. Marsden and Simone Deparis},
journal= {arXiv preprint arXiv:2506.00947},
year = {2025}
}
备注
29 pages, 7 figures, 6 tables, 2 algorithms. Submitted to "npj Biological Physics and Mechanics". Dataset publicly available at https://doi.org/10.5281/zenodo.15494901