从像素到多边形：面向医学图像到网格重建的深度学习方法综述
计算机视觉与模式识别
2025-05-07 v1
摘要
基于深度学习的医学图像到网格重建技术发展迅速，能够将医学影像数据转化为三维网格模型，这些模型在计算医学和计算机模拟试验中至关重要，有助于加深我们对疾病机制以及现代医学诊断和治疗技术的理解。本综述系统地将现有方法分为四大类：模板模型、统计模型、生成模型和隐式模型。我们对每一类方法进行了详细分析，考察了其方法论基础、优势、局限性以及对不同解剖结构和成像模态的适用性。我们提供了这些方法在从心脏成像到神经学研究等各种解剖应用中的广泛评估，并辅以使用标准指标的定量比较。此外，我们整理并分析了可用于医学网格重建任务的主要公共数据集，并讨论了常用的评估指标和损失函数。本综述指出了该领域当前的挑战，包括对拓扑正确性、几何精度和多模态整合的要求。最后，我们提出了该领域有前景的未来研究方向。本系统综述旨在为医学图像分析和计算医学领域的研究人员和从业者提供一份全面的参考。
引用
@article{arxiv.2505.03599,
title = {From Pixels to Polygons: A Survey of Deep Learning Approaches for Medical Image-to-Mesh Reconstruction},
author = {Fengming Lin and Arezoo Zakeri and Yidan Xue and Michael MacRaild and Haoran Dou and Zherui Zhou and Ziwei Zou and Ali Sarrami-Foroushani and Jinming Duan and Alejandro F. Frangi},
journal= {arXiv preprint arXiv:2505.03599},
year = {2025}
}