Attention-based Shape-Deformation Networks for Artifact-Free Geometry Reconstruction of Lumbar Spine from MR Images

本文研究的是腰椎间盘退化，这是腰痛的一个重要原因，也是全球健康问题。从磁共振图像中自动重建腰椎的几何形状可以快速测量医学参数以评估腰部状况，以确定适当的治疗方法。现有的基于图像分割的技术经常会产生错误的分割或结构不清晰的点云，不适合医学参数测量。本文提出了TransDeformer：一种新颖的基于注意力机制的深度学习方法，可以重建腰椎轮廓，具有高空间精度和患者之间的网格对应性。我们还提出了TransDeformer的一种变体，用于误差估计。我们设计了新的注意力模块和新的注意力公式，将图像特征和轮廓特征进行整合，以预测形状模板上点的位移，无需进行图像分割。变形的模板显示了输入图像中的腰椎几何形状。我们开发了多阶段的训练策略，以增强模型对模板初始化的鲁棒性。实验结果表明，我们的TransDeformer生成了无伪影的几何输出，其变体可以预测重建几何的误差。我们的代码可在 https://github.com/linchenq/TransDeformer-Mesh 上获得。

论文旨在通过自动化的腰椎MR图像几何重建，快速测量医学参数，评估腰椎状态，以确定合适的治疗方案。现有的基于图像分割的技术常常会生成错误的分割或不适合医学参数测量的非结构化点云。

论文提出了一种新的基于注意力机制的深度学习方法TransDeformer，可以高精度地重建腰椎轮廓，并实现患者间的网格对应。该方法采用新的注意力公式，将图像特征和轮廓特征整合起来，预测形状模板上点的位移，无需进行图像分割。通过对形状模板进行变形，可以揭示输入图像中的腰椎几何结构。

TransDeformer可以生成无伪影的几何输出，其变体可以预测重建几何的误差。论文采用了多阶段训练策略以提高模型的鲁棒性。实验结果表明，TransDeformer能够高精度地重建腰椎轮廓，并实现患者间的网格对应。论文提供了开源代码。

最近的相关研究包括基于图像分割的腰椎几何重建方法，如DeepLabCut和DeepLabV3+，以及基于形状模板的方法，如PCA-based mesh fitting和Atlas-based segmentation。