Enforcing 3D Topological Constraints in Composite Objects via Implicit Functions

要約

医療アプリケーションでは、心臓や脊椎など、複数の部分からなる複雑な臓器の正確な 3D 表現が必要になることがよくあります。
適切な機能を確保するには、それらの個々の部分が特定のトポロジ上の制約に従う必要があります。
しかし、深層学習の文献には、この目標を達成するためのメカニズムがほとんどありません。
この論文では、深い暗黙的な符号付き距離関数を使用して 3D オブジェクトの再構築においてトポロジカル制約を強制する新しいアプローチを紹介します。
私たちの方法は心臓と脊椎の再建に焦点を当てていますが、他の用途にも一般化できます。
ボリューム全体でランダムにサンプリングされた点で符号付き距離を評価することにより、3D 形状間のトポロジカル制約を効果的にチェックして強制する、サンプリング ベースの手法を提案します。
nn-UNet アーキテクチャから取得した 3D セグメンテーションを改良することで、それを実証します。

要約(オリジナル)

Medical applications often require accurate 3D representations of complex organs with multiple parts, such as the heart and spine. Their individual parts must adhere to specific topological constraints to ensure proper functionality. Yet, there are very few mechanisms in the deep learning literature to achieve this goal. This paper introduces a novel approach to enforce topological constraints in 3D object reconstruction using deep implicit signed distance functions. Our method focuses on heart and spine reconstruction but is generalizable to other applications. We propose a sampling-based technique that effectively checks and enforces topological constraints between 3D shapes by evaluating signed distances at randomly sampled points throughout the volume. We demonstrate it by refining 3D segmentations obtained from the nn-UNet architecture.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google