个性化的3D血管模型对于心血管疾病患者的诊断,预后和治疗计划很有价值。传统上,这样的模型是用明确表示(例如网格和体素掩码)构建的,或隐式表示,例如径向基函数或原子(管状)形状。在这里,我们建议在可区分的隐式神经表示(INR)中以其签名距离函数(SDF)的零级集表示表面。这使我们能够用隐性,连续,轻巧且易于与深度学习算法集成的表示复杂的血管结构对复杂的血管结构进行建模。我们在这里通过三个实际示例证明了这种方法的潜力。首先,我们从CT图像中获得了腹主动脉瘤(AAA)的精确和水密表面,并显示出从表面上的200点出现的可靠拟合。其次,我们同时将嵌套的容器壁贴在一个没有交叉点的单个INR中。第三,我们展示了如何将3D模型的单个动脉模型平滑地混合到单个水密表面。我们的结果表明,INR是一种灵活的表示,具有微小互动注释和操纵复杂血管结构的潜力。
translated by 谷歌翻译