HUG-VAS：基于分层 NURBS 的主动脏几何合成与可控编辑生成模型

准确、患者特定的血管几何对于诊断、规划和器械设计至关重要，但现有的统计形状建模（SSM）管道依赖线性先验和基于拓扑的预处理，限制了现实感、可扩展性和互操作性。我们提出了 HUG-VAS，一种用于血管模型的分层 NURBS 生成框架，将 NURBS 基于的 3D 形状编码与基于扩散的生成模型相结合，用于合成细粒度、可供 CFD 使用的主动脏解剖结构。HUG-VAS 将形状分解为 (i) 由去噪扩散模型生成的血管中心线，以及 (ii) 通过受中心线条件的分类无导引扩散模型合成的横截面半径轮廓，从而在这两个解剖层面上解耦并保留随机变异性。除了无条件合成之外，我们通过从图像派生的提示（例如稀疏 3D 点、切片轮廓或部分表面补丁）进行扩散后验采样，实现训练-free、零样本条件生成，支持交互式半自动分割、编辑和在降质成像下的稳健重建。在 21 例患者特异 MRA 案例上训练的 HUG-VAS 可生成带有副动脉血管的多分支主动脉，其生物标志物分布与源队列高度吻合，其水密 NURBS 输出可直接集成到下游 CFD 求解器中。据我们了解，这是首个将图像派生的先验与生成形状合成通过统一的 NURBS 参数化、分层扩散和 DPS 组合桥接的 SSM 框架，使从有限临床解剖信息到仿真就绪血管几何具备实际路径。