基于形态学标记条件的颅内动脉瘤网格两阶段生成模型
机器学习
2025-05-16 v1
摘要
颅内动脉瘤（IA）的网格几何生成模型对于训练实时预测血流力的网络至关重要，这是影响疾病进程的关键因素。这一需求是由于缺乏大型 IA 图像数据集所致。现有的形状生成方法难以捕捉真实的 IA 特征，忽略了 IA 包与父血管之间的关系，限制了生理上的真实性且其生成无法控制地具有特定的形态学测量值。我们提出了 AneuG，一个基于两个阶段的变分自编码器（VAE）的 IA 网格生成器。在第一个阶段，AneuG 生成低维 Graph Harmonic Deformation（GHD）标记，用于编码和重构动脉瘤包的形状，并受约束于 morphing energy statistics truths。GHD 比替代方法实现了更准确的形状编码。在第二个阶段，AneuG 在 GHD 标记条件下生成父血管，通过生成血管中心线并沿其传播横截面来实现。AneuG 的 IA 形状生成可以进一步条件化地拥有特定的临床相关形态学测量值。这对理解由临床测量值表示的形状变化以及理解特定临床形状参数对流体力学影响的流模拟研究具有帮助。源代码和实现细节可在 https://github.com/anonymousaneug/AneuG 获取。
引用
@article{arxiv.2505.10407,
title = {Two-Stage Generative Model for Intracranial Aneurysm Meshes with Morphological Marker Conditioning},
author = {Wenhao Ding and Choon Hwai Yap and Kangjun Ji and Simão Castro},
journal= {arXiv preprint arXiv:2505.10407},
year = {2025}
}
备注
10 pages, 2 figures