基于掩码注册和自编码的CT图像腘骨预测重建
计算机视觉与模式识别
2025-12-19 v1
摘要
对于复杂腘骨骨折的手术规划对外科医生来说具有挑战性，因为难以想象后期理想的3D骨骼对齐。为辅助此类规划，我们针对预测来自CT扫描的骨折腘骨的患者特异性重建目标而提出方法。我们的方案结合神经网络注册和自编码器模型。具体而言，我们首先训练修改版的空间转换网络（STN）将原始CT注册到共同训练的腘骨原型的标准化坐标系。随后训练多种自编码器（AE）以建模健康腘骨的变异性。STN和AE模型均设计为对掩码输入具鲁棒性，从而可应用于骨折CT并解码出患者特异性健康骨骼的预测。我们的贡献包括：i）用于全局空间注册的3D适配STN，ii）对AE用于骨CT建模的比较分析，iii）将两者扩展以处理掩码输入，用于预测生成健康骨骼结构。项目页面：https://github.com/HongyouZhou/repair
引用
@article{arxiv.2512.09525,
title = {Masked Registration and Autoencoding of CT Images for Predictive Tibia Reconstruction},
author = {Hongyou Zhou and Cederic Aßmann and Alaa Bejaoui and Heiko Tzschätzsch and Mark Heyland and Julian Zierke and Niklas Tuttle and Sebastian Hölzl and Timo Auer and David A. Back and Marc Toussaint},
journal= {arXiv preprint arXiv:2512.09525},
year = {2025}
}
备注
DGM4MICCAI