基于深度点-图表示隐式场的高效肺树结构解剖标注
计算机视觉与模式识别
2024-10-21 v3 人工智能
图形学
机器学习
图像与视频处理
摘要
肺部疾病在全球主要死因中占据显著地位。治愈它们将需要，除其他外，更好地理解肺系统内复杂的 3D 树状结构，如气道、动脉和静脉。使用高分辨率图像栈和稠密体素网格上标准 CNN 的传统方法面临计算效率、有限分辨率、局部上下文和形状拓扑保存不足的挑战。我们的方法通过将稠密体素转为稀疏点表示来解决这些问题，提供更好的内存效率和全局上下文利用。然而，点表示固有的稀疏性会导致树状结构中关键连通性的丢失。为缓解此问题，我们在骨架化结构上引入图学习，结合可微特征融合以改进拓扑和长距离上下文捕获。此外，我们采用隐式函数将稀疏表示端到端高效转换为稠密重建。所提方法不仅在总体和关键位置的标注精度上达到最先进（state-of-the-art）性能，还实现了高效推理和闭合表面形状的生成。针对该领域数据稀缺，我们还整理了一个综合数据集来验证我们的方法。数据和代码见 \url{https://github.com/M3DV/pulmonary-tree-labeling}。
引用
@article{arxiv.2309.17329,
title = {Efficient Anatomical Labeling of Pulmonary Tree Structures via Deep Point-Graph Representation-based Implicit Fields},
author = {Kangxian Xie and Jiancheng Yang and Donglai Wei and Ziqiao Weng and Pascal Fua},
journal= {arXiv preprint arXiv:2309.17329},
year = {2024}
}
备注
Accepted by Medical Image Analysis