利用点扩散模型进行大肠三维形状优化以生成数字体模
计算机视觉与模式识别
2025-10-16 v3 人工智能
机器学习
摘要
人体器官精确的三维建模对于在虚拟成像试验中构建数字体模至关重要。然而，诸如大肠等器官因其复杂几何形态与形状变异性而尤其具有挑战性。我们提出 CLAP，一种新颖的条件潜在点扩散模型（Conditional LAtent Point-diffusion model），其将几何深度学习与去噪扩散模型相结合以增强大肠的三维表征。给定从分割掩码中采样的点云，我们采用分层变分自编码器学习全局与局部潜在形状表征。两个条件扩散模型在该潜在空间中运行以优化器官形状。随后使用预训练的表面重建模型将优化后的点云转换为网格。CLAP 在形状建模精度上取得显著提升，相较初始次优形状将倒角距离降低 26%、豪斯多夫距离降低 36%。该方法为高保真器官建模提供了一种鲁棒且可扩展的解决方案，并有望广泛应用于各类解剖结构。
引用
@article{arxiv.2309.08289,
title = {Large Intestine 3D Shape Refinement Using Point Diffusion Models for Digital Phantom Generation},
author = {Kaouther Mouheb and Mobina Ghojogh Nejad and Lavsen Dahal and Ehsan Samei and Kyle J. Lafata and W. Paul Segars and Joseph Y. Lo},
journal= {arXiv preprint arXiv:2309.08289},
year = {2025}
}