基于3D医学影像数据的多器官隐式表面端到端学习
计算机视觉与模式识别
2025-09-16 v1
摘要
从3D医学影像中对不同器官进行精细的表面重建可为提供高级诊断支持并改进手术规划。然而，器官的表示常受分辨率限制，详细的更高分辨率需要更多的内存和计算资源。隐式对象表示已被提出用于通过提供紧凑且可微分的函数来表示3D对象形状，以缓解这一问题。然而，架构和数据相关的差异阻止了这些方法直接应用于医学图像。本工作引入ImplMORe，这是一种用于从3D医学图像进行多器官重建的端到端深度学习方法，采用隐式表面表示。ImplMORe采用3D CNN编码器整合局部特征，并通过占据函数执行多尺度插值，以在连续域中学习特征。我们将该方法应用于单器官和多器官重建，使用totalsegmentator数据集。凭借占据函数的连续特性，我们的方法优于基于离散显式表示的表面重建方法，能够在给定输入图像的分辨率之上提供器官的精细表面细节。源代码将公开于：https://github.com/CAMMA-public/ImplMORe
引用
@article{arxiv.2509.12068,
title = {End-to-End Learning of Multi-Organ Implicit Surfaces from 3D Medical Imaging Data},
author = {Farahdiba Zarin and Nicolas Padoy and Jérémy Dana and Vinkle Srivastav},
journal= {arXiv preprint arXiv:2509.12068},
year = {2025}
}