From Pixels to Polygons: A Survey of Deep Learning Approaches for Medical Image-to-Mesh Reconstruction

要約

ディープラーニングに基づいた医療画像からメッシュへの再構成が急速に進化し、疾患メカニズムと現代医学の診断および治療技術の理解を進めるための計算医学およびシリコ試験で重要な3次元メッシュモデルへの医療イメージングデータの変換を可能にします。
この調査では、既存のアプローチを体系的に4つの主要なカテゴリに分類します：テンプレートモデル、統計モデル、生成モデル、および暗黙的なモデル。
各カテゴリを詳細に分析し、さまざまな解剖学的構造とイメージングモダリティへの方法論的基盤、強み、制限、および適用性を調べます。
標準メトリックを使用した定量的比較によってサポートされている、心臓イメージングから神経学的研究まで、さまざまな解剖学的アプリケーションにわたるこれらの方法の広範な評価を提供します。
さらに、医療メッシュ再構成タスクで利用可能な主要なパブリックデータセットをコンパイルおよび分析し、一般的に使用される評価メトリックと損失関数について説明します。
この調査では、トポロジーの正確性、幾何学的精度、マルチモダリティ統合の要件など、現場での現在の課題が特定されています。
最後に、このドメインで有望な将来の研究の方向性を提示します。
この系統的レビューは、医療画像分析と計算医学の研究者と実践者の包括的なリファレンスとして機能することを目的としています。

要約(オリジナル)

Deep learning-based medical image-to-mesh reconstruction has rapidly evolved, enabling the transformation of medical imaging data into three-dimensional mesh models that are critical in computational medicine and in silico trials for advancing our understanding of disease mechanisms, and diagnostic and therapeutic techniques in modern medicine. This survey systematically categorizes existing approaches into four main categories: template models, statistical models, generative models, and implicit models. Each category is analysed in detail, examining their methodological foundations, strengths, limitations, and applicability to different anatomical structures and imaging modalities. We provide an extensive evaluation of these methods across various anatomical applications, from cardiac imaging to neurological studies, supported by quantitative comparisons using standard metrics. Additionally, we compile and analyze major public datasets available for medical mesh reconstruction tasks and discuss commonly used evaluation metrics and loss functions. The survey identifies current challenges in the field, including requirements for topological correctness, geometric accuracy, and multi-modality integration. Finally, we present promising future research directions in this domain. This systematic review aims to serve as a comprehensive reference for researchers and practitioners in medical image analysis and computational medicine.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google