VesselGPT: Autoregressive Modeling of Vascular Geometry

要約

解剖学的樹木は臨床診断と治療計画に重要ですが、それらの複雑で多様な幾何学により、正確な表現が重要な課題になります。
大規模な言語モデルの最新の進歩に動機付けられ、解剖学的木を合成するための自己回帰方法を紹介します。
私たちのアプローチは、最初に容器構造をVQ-Vaeアーキテクチャを使用して学習した離散語彙に埋め込み、次にGPT-2モデルで自己網目上モデルをモデル化します。
この方法は、複雑な幾何学と分岐パターンを効果的にキャプチャし、現実的な血管の樹木合成を可能にします。
包括的な定性的および定量的評価は、この手法がコンパクトな個別の表現を備えた高忠実度ツリー再構成を達成することを明らかにしています。
さらに、血管断面のBスプライン表現は、以前の「方法のパラメーター化」でしばしば見落とされる重要な形態学的詳細を保持します。
私たちの知る限り、この作業は、自己回帰的な方法で血管を生成した最初の仕事です。
コード、データ、トレーニングされたモデルが利用可能になります。

要約(オリジナル)

Anatomical trees are critical for clinical diagnosis and treatment planning, yet their complex and diverse geometry make accurate representation a significant challenge. Motivated by the latest advances in large language models, we introduce an autoregressive method for synthesizing anatomical trees. Our approach first embeds vessel structures into a learned discrete vocabulary using a VQ-VAE architecture, then models their generation autoregressively with a GPT-2 model. This method effectively captures intricate geometries and branching patterns, enabling realistic vascular tree synthesis. Comprehensive qualitative and quantitative evaluations reveal that our technique achieves high-fidelity tree reconstruction with compact discrete representations. Moreover, our B-spline representation of vessel cross-sections preserves critical morphological details that are often overlooked in previous’ methods parameterizations. To the best of our knowledge, this work is the first to generate blood vessels in an autoregressive manner. Code, data, and trained models will be made available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google