Large Intestine 3D Shape Refinement Using Point Diffusion Models for Digital Phantom Generation

要約

人間の臓器の正確な 3D モデリングは、仮想イメージング試験用の計算ファントムを構築する際に重要な役割を果たします。
しかし、人体の多くの構造において、コンピューター断層撮影スキャンから臓器表面の解剖学的に妥当な再構成を生成することは依然として困難です。
この課題は、大腸を扱う場合に特に顕著です。
この研究では、幾何学的な深層学習とノイズ除去拡散確率モデルの最近の進歩を活用して、大腸のセグメンテーション結果を改良します。
まず、3D セグメンテーション マスクの表面からサンプリングされた点群として臓器を表現します。
続いて、階層変分オートエンコーダーを使用して、器官の形状のグローバルおよびローカルの潜在表現を取得します。
形状改良を実行するために、階層的潜在空間で 2 つの条件付きノイズ除去拡散モデルをトレーニングします。
私たちの方法をさらに強化するために、最先端の表面再構成モデ​​ルを組み込み、取得した完全な点群から滑らかなメッシュを生成できるようにしました。
実験結果は、臓器の形状の全体的な分布とその詳細の両方を捕捉する際の私たちのアプローチの有効性を示しています。
当社の完全なリファインメント パイプラインでは、最初のセグメンテーションと比較してサーフェス表現が大幅に強化されており、面取り距離が 70%、ハウスドルフ距離が 32%、アース ムーバーの距離が 6% 減少しています。
幾何学的な深層学習、ノイズ除去拡散モデル、および高度な表面再構成技術を組み合わせることで、私たちが提案する方法は、大腸の表面を正確にモデル化するための有望なソリューションを提供し、他の解剖学的構造にも簡単に拡張できます。

要約(オリジナル)

Accurate 3D modeling of human organs plays a crucial role in building computational phantoms for virtual imaging trials. However, generating anatomically plausible reconstructions of organ surfaces from computed tomography scans remains challenging for many structures in the human body. This challenge is particularly evident when dealing with the large intestine. In this study, we leverage recent advancements in geometric deep learning and denoising diffusion probabilistic models to refine the segmentation results of the large intestine. We begin by representing the organ as point clouds sampled from the surface of the 3D segmentation mask. Subsequently, we employ a hierarchical variational autoencoder to obtain global and local latent representations of the organ’s shape. We train two conditional denoising diffusion models in the hierarchical latent space to perform shape refinement. To further enhance our method, we incorporate a state-of-the-art surface reconstruction model, allowing us to generate smooth meshes from the obtained complete point clouds. Experimental results demonstrate the effectiveness of our approach in capturing both the global distribution of the organ’s shape and its fine details. Our complete refinement pipeline demonstrates remarkable enhancements in surface representation compared to the initial segmentation, reducing the Chamfer distance by 70%, the Hausdorff distance by 32%, and the Earth Mover’s distance by 6%. By combining geometric deep learning, denoising diffusion models, and advanced surface reconstruction techniques, our proposed method offers a promising solution for accurately modeling the large intestine’s surface and can easily be extended to other anatomical structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google