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
颈动脉壳壁厚测量是监测动脉粥样硬化患者的重要步骤。这需要精确分割血管壁，即动脉的内腔和外壁之间的区域，在黑血磁共振（MR）图像中。对于语义分割的常用卷积神经网络（CNNS）是本任务的次优，因为它们的使用不保证连续的环形分割。相反，在这项工作中，我们将船舶壁分段作为极坐标系中的多任务回归问题。对于每个轴向图像切片中的每种颈动脉，我们的目的是同时发现两个非交叉的嵌套轮廓，在一起叠加血管壁。应用于此问题的CNNS使电感偏压能够保证环形血管壁。此外，我们确定了一个特定于问题的培训数据增强技术，其大大影响了分割性能。我们将我们的方法应用于内部和外部颈动脉壁的分割，并在公共挑战中实现排名级定量结果，即血管墙壁的中值骰子相似系数为0.813，中位Hausdorff距离为0.552 mm和0.776 mm对于内腔和外墙。此外，我们展示了如何通过传统的语义分割方法来改善方法。这些结果表明，可以高精度地自动获得颈动脉壁的解剖学似合子分割是可行的。
translated by 谷歌翻译