SurgFormer：具有切除支持与实时推理的可扩展器官形变学习
计算机视觉与模式识别
2026-03-09 v1
摘要
我们介绍了SurgFormer，一种用于体积网格上数据驱动软组织模拟的多分辨率门控Transformer。高保真生物力学求解器通常因成本过高而无法用于交互式应用，因此我们在求解器生成的数据上训练SurgFormer，以接近实时的速率预测节点位移场。SurgFormer构建了一个固定的网格层次结构，并应用重复的多分支块，这些块结合了局部消息传递、粗粒度全局自注意力和逐点前馈更新，通过学习的逐节点、逐通道门控进行融合，以自适应地整合局部和长程信息，同时在大型网格上保持可扩展性。对于切割条件模拟，切除信息被编码为学习的切除嵌入，并作为额外输入提供，从而为标准的形变预测和拓扑改变情况提供了一个统一模型。我们还引入了两个在统一协议下使用基于XFEM的监督生成的模拟数据集：一个胆囊切除术切除数据集和一个阑尾切除术操作与切除数据集，包含切割和未切割情况。据我们所知，这是首个在同一体积管道中研究XFEM监督的切割条件形变（与标准形变预测一起）的学习型体积替代方案。在多种基线上，SurgFormer以良好的效率实现了强大的准确性，使其成为这两项任务的实用骨干网络。{代码、数据和项目页面：\href{https://mint-vu.github.io/SurgFormer/}{可在此获取}}
引用
@article{arxiv.2603.06543,
title = {SurgFormer: Scalable Learning of Organ Deformation with Resection Support and Real-Time Inference},
author = {Ashkan Shahbazi and Elaheh Akbari and Kyvia Pereira and Jon S. Heiselman and Annie C. Benson and Garrison L. H. Johnston and Jie Ying Wu and Nabil Simaan and Michael I. Miga and Soheil Kolouri},
journal= {arXiv preprint arXiv:2603.06543},
year = {2026}
}