Este artículo propone CLAP (modelo de difusión puntual latente condicional), un novedoso método para el modelado 3D preciso de órganos humanos, como el colon, que presentan desafíos debido a su compleja geometría y variación de forma. CLAP mejora la representación 3D del colon combinando aprendizaje profundo geométrico con un modelo de difusión denoising. Utilizando nubes de puntos muestreadas de máscaras de segmentación, aprendemos representaciones de forma latente global y local mediante autocodificadores variacionales jerárquicos y luego refinamos la forma del órgano dentro del espacio latente utilizando dos modelos de difusión condicional. Finalmente, transformamos la nube de puntos refinada en una malla utilizando un modelo de reconstrucción de superficie preentrenado. Los resultados experimentales muestran que CLAP mejora significativamente la precisión del modelado de forma, reduciendo la distancia de chaflán en un 26% y la distancia de Hausdorff en un 36% en comparación con la forma inicial. Esto proporciona una solución de modelado de órganos robusta y escalable de alta fidelidad aplicable a una variedad de estructuras anatómicas.
