用于个性化动脉瘤生长预测的多模态条件 MeshGAN
计算机视觉与模式识别
2025-08-28 v1 机器学习
摘要
主动脉瘤进展的个性化准确预测对于及时干预至关重要，但由于需要在复杂的 3D 几何形状内对微妙的局部形变和全局解剖变化进行建模，这仍然具有挑战性。我们提出了 MCMeshGAN，这是第一个用于 3D 动脉瘤生长预测的多模态条件网格到网格生成对抗网络。MCMeshGAN 引入了双分支架构，结合了新颖的基于局部 KNN 的卷积网络（KCN）以保留细粒度几何细节，以及全局图卷积网络（GCN）以捕获长程结构上下文，从而克服了深度 GCN 的过度平滑限制。一个专用的条件分支对临床属性（年龄、性别）和目标时间间隔进行编码，以生成解剖学上合理且时间上受控的预测，从而实现回顾性和前瞻性建模。我们整理了 TAAMesh，这是一个新的纵向胸主动脉瘤网格数据集，包含来自 208 名患者的 590 条多模态记录（CT 扫描、3D 网格和临床数据）。大量实验表明，MCMeshGAN 在几何精度和具有临床重要性的直径估计方面均始终优于最先进的基线方法。该框架为临床可部署的个性化 3D 疾病轨迹建模迈出了坚实的一步。MCMeshGAN 和基线方法的源代码已在 https://github.com/ImperialCollegeLondon/MCMeshGAN 公开发布。
引用
@article{arxiv.2508.19862,
title = {Multimodal Conditional MeshGAN for Personalized Aneurysm Growth Prediction},
author = {Long Chen and Ashiv Patel and Mengyun Qiao and Mohammad Yousuf Salmasi and Salah A. Hammouche and Vasilis Stavrinides and Jasleen Nagi and Soodeh Kalaie and Xiao Yun Xu and Wenjia Bai and Declan P. O'Regan},
journal= {arXiv preprint arXiv:2508.19862},
year = {2025}
}