CorticalFlow: A Diffeomorphic Mesh Deformation Module for Cortical Surface Reconstruction

要約

本論文では、3次元画像が与えられたときに、参照テンプレートをターゲットオブジェクトに向けて変形させることを学習する、新しい幾何学的ディープラーニングモデルであるCorticalFlowを紹介する。テンプレートメッシュのトポロジー特性を保存するために、我々は差分同型変換のセットでモデルを学習させる。このフロー型常微分方程式（ODE）フレームワークの新しい実装は、GPUのメモリフットプリントが小さく、数十万頂点のサーフェスを生成することができるのが利点である。また、離散的な解像度がもたらす位相誤差を低減するため、予測される三角形メッシュの多様性を向上させる数値条件を導き出しました。CorticalFlowの有用性を示すために、脳皮質表面の再構成という困難な課題に対する性能を実証する。CorticalFlowは、現在の最先端技術とは対照的に、計算時間を9分半から1秒に短縮しながら、優れた表面形状を生成することができました。さらに、CorticalFlowは、解剖学的に妥当な表面を生成することができる。このような表面再構成法が存在しないことは、臨床的な妥当性を制限する大きな障害であった。

要約(オリジナル)

In this paper we introduce CorticalFlow, a new geometric deep-learning model that, given a 3-dimensional image, learns to deform a reference template towards a targeted object. To conserve the template mesh’s topological properties, we train our model over a set of diffeomorphic transformations. This new implementation of a flow Ordinary Differential Equation (ODE) framework benefits from a small GPU memory footprint, allowing the generation of surfaces with several hundred thousand vertices. To reduce topological errors introduced by its discrete resolution, we derive numeric conditions which improve the manifoldness of the predicted triangle mesh. To exhibit the utility of CorticalFlow, we demonstrate its performance for the challenging task of brain cortical surface reconstruction. In contrast to current state-of-the-art, CorticalFlow produces superior surfaces while reducing the computation time from nine and a half minutes to one second. More significantly, CorticalFlow enforces the generation of anatomically plausible surfaces; the absence of which has been a major impediment restricting the clinical relevance of such surface reconstruction methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL