基于神经微分同胚流的体积一致隐式图谱学习用于胎盘MRI
计算机视觉与模式识别
2026-03-18 v1 图形学
摘要
在解剖形状之间建立稠密的体积对应关系对于群体水平分析至关重要，但对于隐式神经表示而言仍然具有挑战性。大多数现有的隐式配准方法依赖于零水平集附近的监督，因此仅捕捉表面对应关系，使得内部变形约束不足。我们引入了一个体积一致的隐式模型，该模型将符号距离函数（SDFs）的重建与神经微分同胚流相结合，以学习胎盘的共享规范模板。体积正则化，包括雅可比行列式和双调和惩罚，抑制了局部折叠并促进了全局连贯的变形。在胎盘MRI的激励应用中，我们的公式联合重建个体胎盘，将其对齐到群体衍生的隐式模板，并在统一的规范空间中实现体素级强度映射。在体内胎盘MRI扫描上的实验表明，与基于表面的隐式基线方法相比，几何保真度和体积对齐均有改善，产生了适合群体分析的解剖学可解释且拓扑一致的展平结果。
引用
@article{arxiv.2603.16078,
title = {Volumetrically Consistent Implicit Atlas Learning via Neural Diffeomorphic Flow for Placenta MRI},
author = {Athena Taymourtash and S. Mazdak Abulnaga and Esra Abaci Turk and P. Ellen Grant and Polina Golland},
journal= {arXiv preprint arXiv:2603.16078},
year = {2026}
}