$TrIND$：通过隐式神经场的去噪扩散表示解剖树

解剖树在临床诊断和治疗规划中起着核心作用。然而，由于其多变且复杂的拓扑和几何结构，准确表示解剖树具有挑战性。通过医学成像捕获的传统树结构表示方法，虽然对血管和支气管网络的可视化具有不可估量的价值，但在分辨率、灵活性和效率方面存在局限性。近年来，隐式神经表示 (INR) 作为一种准确且高效地表示形状的强大工具出现。我们提出了一种新方法 $TrIND$，使用 INR 表示解剖树，同时通过在 INR 空间中进行去噪扩散来捕获一组树的分布。我们以任意所需分辨率准确捕获了解剖树复杂的几何与拓扑结构。通过广泛的定性和定量评估，我们展示了具有任意分辨率但存储紧凑的高保真树重建，及其在不同解剖部位和树复杂度上的通用性。代码可在 \texttt{\url{https://github.com/sinashish/TreeDiffusion}} 获取。