面向不完整拓扑监督的统一肺树模型的拓扑感知隐式场学习

从 CT 图像中提取的肺树经常存在拓扑不完整性，例如缺失或断开的分支，这显著降低了下游解剖分析的质量，并限制了现有肺树建模管道的适用性。当前方法通常依赖稠密体积处理或显式图推理，导致效率有限且在现实结构腐败情况下鲁棒性较差。我们提出了 TopoField，一种拓扑感知的隐式建模框架，将拓扑修复作为一级建模问题，并支持用于肺树分析的统一多任务推断。TopoField 使用稀疏表面和骨骼点云表示肺解剖结构，并学习一个支持在不依赖完整或显式断开注释的情况下进行拓扑修复的连续隐式场，通过在对*不完整*树木引入人工结构破坏来训练。基于修复后的隐式表示，可通过单个前向传递中的任务特定隐式函数联合推断解剖标记和肺段重建。广泛的在 Lung3D+ 数据集上的实验表明，TopoField 在拓扑完整性方面 consistently 提高，并在具有挑战性的不完整场景下实现准确的解剖标记和肺段重建。由于其隐式公式，TopoField 实现了高计算效率，仅用一秒钟左右即可完成所有任务，凸显了其在大规模和时间敏感临床应用中的实用性。代码和数据将在 https://github.com/HINTLab/TopoField 上提供。