Neural Image Unfolding: Flattening Sparse Anatomical Structures using Neural Fields

要約

断層撮影イメージングは​​ 3D オブジェクトの内部構造を明らかにし、医療診断に不可欠です。
断層撮影ボリューム内の複数の 2D スライスにまたがる非平面のまばらな解剖学的構造の形態と外観を視覚化することは本質的に困難ですが、意思決定とレポート作成には価値があります。
したがって、密にサンプリングされた 3D 表面を歪みを最小限に抑えた 2D 表現にマッピングするために、さまざまな臓器固有のアンフォールディング技術が存在します。
しかし、血管、管、骨系などの複雑でまばらな構造を平坦化する汎用性の高いフレームワークはありません。
対象となる解剖学的構造の変換を 2D 概要画像に適合させるために、神経フィールドを展開します。
さらに、歪み正則化戦略を提案し、幾何学的手法と強度ベースの損失定式化を組み合わせて、注釈のない補助ターゲットも表示します。
汎用性の向上に加えて、当社の展開技術は、まばらな構造のメッシュベースのベースラインよりも優れたパフォーマンスを発揮します。
ピーク歪みと正則化スキームにより、ニューラル フィールド ベースの画像レジストレーションからのヤコビアン定式化と比較して、よりスムーズな変換が得られます。

要約(オリジナル)

Tomographic imaging reveals internal structures of 3D objects and is crucial for medical diagnoses. Visualizing the morphology and appearance of non-planar sparse anatomical structures that extend over multiple 2D slices in tomographic volumes is inherently difficult but valuable for decision-making and reporting. Hence, various organ-specific unfolding techniques exist to map their densely sampled 3D surfaces to a distortion-minimized 2D representation. However, there is no versatile framework to flatten complex sparse structures including vascular, duct or bone systems. We deploy a neural field to fit the transformation of the anatomy of interest to a 2D overview image. We further propose distortion regularization strategies and combine geometric with intensity-based loss formulations to also display non-annotated and auxiliary targets. In addition to improved versatility, our unfolding technique outperforms mesh-based baselines for sparse structures w.r.t. peak distortion and our regularization scheme yields smoother transformations compared to Jacobian formulations from neural field-based image registration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google