VesselVAE: Recursive Variational Autoencoders for 3D Blood Vessel Synthesis

要約

血管の 3D ジオメトリを合成するためのデータ駆動型生成フレームワークを紹介します。
血管系は形状、サイズ、構造が非常に多様であり、複雑であるため、これは困難な作業です。
既存のモデルベースの方法では、生成される構造をある程度制御して変化させることができますが、実際の解剖学的データの多様性を捉えることはできません。
私たちは、容器の階層構造を最大限に活用し、ターゲット表面を記述する幾何学的特徴とともに分岐接続をエンコードする低次元多様体を学習する再帰変分ニューラル ネットワークである VesselVAE を開発しました。
トレーニング後、VesselVAE 潜在空間をサンプリングして新しい血管形状を生成できます。
私たちの知る限り、この研究は血管の合成にこの技術を利用した最初のものです。
半径 (.97)、長さ (.95)、およびねじれ度 (.96) に関して、合成データと実際のデータの類似性が得られます。
ディープ ニューラル ネットワークの機能を活用することで、正確かつ多様な血管の 3D モデルを生成します。これは、医療や外科のトレーニング、血行力学シミュレーション、その他多くの目的に不可欠です。

要約(オリジナル)

We present a data-driven generative framework for synthesizing blood vessel 3D geometry. This is a challenging task due to the complexity of vascular systems, which are highly variating in shape, size, and structure. Existing model-based methods provide some degree of control and variation in the structures produced, but fail to capture the diversity of actual anatomical data. We developed VesselVAE, a recursive variational Neural Network that fully exploits the hierarchical organization of the vessel and learns a low-dimensional manifold encoding branch connectivity along with geometry features describing the target surface. After training, the VesselVAE latent space can be sampled to generate new vessel geometries. To the best of our knowledge, this work is the first to utilize this technique for synthesizing blood vessels. We achieve similarities of synthetic and real data for radius (.97), length (.95), and tortuosity (.96). By leveraging the power of deep neural networks, we generate 3D models of blood vessels that are both accurate and diverse, which is crucial for medical and surgical training, hemodynamic simulations, and many other purposes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google