Generative 3D Cardiac Shape Modelling for In-Silico Trials

要約

我々は、各形状の幾何学的特徴をエンコードしたトレーニング可能な埋め込みベクトルのファミリーによって条件付けされた、神経符号付き距離フィールドのゼロレベルセットとして形状を表現することに基づいて、合成大動脈形状をモデル化および生成する深層学習方法を提案します。
このネットワークは、サンプリングされた表面点で神経フィールドを消失させ、単位ノルムを持つようにその空間勾配を強制することによって、CT 画像から再構成された大動脈基部メッシュのデータセットでトレーニングされます。
経験的な結果は、私たちのモデルが大動脈の形状を高い忠実度で表現できることを示しています。
さらに、学習した埋め込みベクトルからサンプリングすることで、実際の患者の解剖学的構造に似た新しい形状を生成でき、これをインシリコ試験に使用できます。

要約(オリジナル)

We propose a deep learning method to model and generate synthetic aortic shapes based on representing shapes as the zero-level set of a neural signed distance field, conditioned by a family of trainable embedding vectors with encode the geometric features of each shape. The network is trained on a dataset of aortic root meshes reconstructed from CT images by making the neural field vanish on sampled surface points and enforcing its spatial gradient to have unit norm. Empirical results show that our model can represent aortic shapes with high fidelity. Moreover, by sampling from the learned embedding vectors, we can generate novel shapes that resemble real patient anatomies, which can be used for in-silico trials.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google