隐式神经表示在心血管解剖结构和血流动力学场中的精度
机器学习
2025-10-27 v1
摘要
隐式神经表示（INRs，也称为神经场）最近涌现为一种强大的知识表示、合成和压缩框架。通过将场编码为深层神经网络中的权重和偏置中的连续函数，而不是依赖于基于体素或网格的结构化或非结构化表示，INRs 具备分辨率独立性和高内存效率。然而，其在特定领域应用中的精度尚不充分了解。本文我们评估了最先进的 INRs 在来自数值模拟的血流动力学场压缩以及通过符号距离函数表示心血管解剖结构方面的性能。我们研究了缓解谱偏差的多种策略，包括特殊化激活函数、固定和可训练的位置编码，以及非线性核的线性组合。在胸部主动脉的真实、时空变化的血流动力学场上，INRs 实现了约 230 倍的极高压缩比，压力最大绝对误差为 1 mmHg，速度为 5-10 cm/s，且无需 extensive 调整超参数。对于 48 个胸部主动脉解剖结构，平均和最大解剖差异分别低于 0.5 mm 和 1.6 mm。总体而言，SIREN、MFN-Gabor 和 MHE 架构表现最佳。源代码和数据可在 https://github.com/desResLab/nrf 提供。
引用
@article{arxiv.2510.20970,
title = {On the accuracy of implicit neural representations for cardiovascular anatomies and hemodynamic fields},
author = {Jubilee Lee and Daniele E. Schiavazzi},
journal= {arXiv preprint arXiv:2510.20970},
year = {2025}
}