Large Intestine 3D Shape Refinement Using Point Diffusion Models for Digital Phantom Generation
Created by
Haebom
저자
Kaouther Mouheb, Mobina Ghojogh Nejad, Lavsen Dahal, Ehsan Samei, Kyle J. Lafata, W. Paul Segars, Joseph Y. Lo
개요
본 논문은 복잡한 기하학적 구조와 형태 변이로 인해 3D 모델링이 어려운 대장과 같은 인체 장기의 정확한 3D 모델링을 위한 새로운 방법인 CLAP(Conditional LAtent Point-diffusion model)을 제안합니다. CLAP은 기하학적 심층 학습과 잡음 제거 확산 모델을 결합하여 대장의 3D 표현을 향상시킵니다. 분할 마스크에서 샘플링된 점 구름을 사용하여 계층적 변이 오토인코더를 통해 전역 및 지역 잠재 형태 표현을 학습하고, 두 개의 조건부 확산 모델을 사용하여 잠재 공간 내에서 장기 형태를 개선합니다. 마지막으로 사전 훈련된 표면 재구성 모델을 사용하여 개선된 점 구름을 메쉬로 변환합니다. 실험 결과, CLAP은 초기 형태보다 Chamfer 거리를 26%, Hausdorff 거리를 36% 감소시키는 등 형태 모델링 정확도를 크게 향상시켰습니다. 이는 다양한 해부학적 구조에 적용 가능한 강력하고 확장 가능한 고충실도 장기 모델링 솔루션을 제공합니다.
시사점, 한계점
•
시사점:
◦
복잡한 형태의 장기, 특히 대장의 고정확도 3D 모델링 기술을 제시.
◦
기존 방법 대비 Chamfer 거리 및 Hausdorff 거리 감소를 통해 성능 향상을 입증.
