Snap-and-tune：结合深度学习与测试时优化以实现高保真心血管体积网格化
图像与视频处理
2025-06-11 v1 计算机视觉与模式识别
摘要
从医学图像生成高质量体积网格是个性化医疗中基于物理模拟的关键瓶颈。对于复杂医疗结构的体积网格化，近期研究通常利用基于深度学习（DL）的模板变形方法，以实现具有高空间精度的快速测试时生成。然而，这些方法仍然存在局限性，例如在高曲率区域的灵活性有限以及部件间距离不切实际。在本研究中，我们引入了一种简单而有效的 snap-and-tune 策略，依次应用 DL 和测试时优化，将快速初始形状拟合与更详细的样本特定网格校正相结合。我们的方法在空间精度和网格质量上均提供了显著改进，同时完全自动化且无需额外的训练标签。最后，我们通过在两个不同软件平台上的固体力学模拟，展示了我们新生成的网格的多功能性和实用性。我们的代码可在 https://github.com/danpak94/Deep-Cardiac-Volumetric-Mesh 获取。
引用
@article{arxiv.2506.08280,
title = {Snap-and-tune: combining deep learning and test-time optimization for high-fidelity cardiovascular volumetric meshing},
author = {Daniel H. Pak and Shubh Thaker and Kyle Baylous and Xiaoran Zhang and Danny Bluestein and James S. Duncan},
journal= {arXiv preprint arXiv:2506.08280},
year = {2025}
}