.png){kind=icon}
返回
Large Intestine 3D Shape Refinement Using Conditional Latent Point Diffusion Models
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-06774-6_8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确的人体器官三维建模对于构建虚拟成像试验中的数字仿真是至关重要的。然而，由于几何形状复杂和形状变化多样，大肠等器官的建模仍然具有特殊挑战性。我们提出了CLAP，一种新型的条件性隐空间点扩散模型，该模型结合了几何深度学习和去噪扩散模型，以增强大肠的三维表示。给定从分割掩码中采样的点云，我们采用层次变分自编码器学习全局和局部隐空间形状表示。两个条件性扩散模型在该隐空间内操作以细化器官形状。随后使用预训练的表面重建模型将细化的点云转换为网格。CLAP在形状建模精度上取得了显著提升，与初始次优形状相比，查尔菲距离减少了26%，豪斯多夫距离减少了36%。该方法为高保真器官建模提供了一种稳健且可扩展的解决方案，并有望适用于广泛的人体解剖结构。
Keyword:
Digital Phantom
Denoising Diffusion Models
Geometric Deep Learning
3D Shape Refinement
期刊
S
IF:
0
论文数:
24
被引数:
0
机构
引用论文
Learning Shape Representation on Sparse Point Clouds for Volumetric Image Segmentation在稀疏点云上学习形状表示，用于体素化图像分割
PREAI
分享收藏BowelNet: Joint Semantic-Geometric Ensemble Learning for Bowel Segmentation From Both Partially and Fully Labeled CT ImagesBowelNet: 联合语义-几何集成学习，用于从部分和完全标记的CT图像中进行肠道分割
PREAI
分享收藏A novel approach to assess the treatment response using Gaussian random field in PET.png)
MEDICAL PHYSICS
OAAI
MEDICAL PHYSICSIF3.2
OAAI分享收藏Population of anatomically variable 4D XCAT adult phantoms for imaging research and optimization用于成像研究和优化的解剖可变4D XCAT成人体模的种群MEDICAL PHYSICS
OAAI
MEDICAL PHYSICSIF3.2
OAAI分享收藏Computational anatomy for multi-organ analysis in medical imaging: A reviewMEDICAL IMAGE ANALYSISOAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏
查看更多内容