3D Vessel Graph Generation Using Denoising Diffusion

血管网络可以用三维图形表示，有助于预测疾病生物标志物、模拟血流并帮助合成图像，这在临床和临床前设置中都很相关。然而，生成与感兴趣的解剖相对应的逼真血管图形具有挑战性。以前的方法旨在以自回归方式生成血管树，无法应用于具有循环（如毛细血管）或特定解剖结构（如Willis环）的血管图。为了解决这一问题，我们引入了三维血管图形生成中\textit{去噪扩散模型}的首次应用。我们的贡献包括一种新颖的两阶段生成方法，顺序去噪节点坐标和边。我们尝试了两个真实的血管数据集，包括微观毛细血管和主要脑血管，并证明了我们的方法在产生多样化、新颖和解剖合理的血管图方面的普适性。

本论文旨在解决生成3D血管网络图的问题，以预测疾病生物标志物、模拟血流并帮助合成图像，在临床和临床前的设置中具有相关性。但是，生成与感兴趣的解剖结构相对应的逼真血管图形具有挑战性。

该论文提出了一种新的两阶段生成方法，该方法分别去噪节点坐标和边缘，首次将去噪扩散模型应用于3D血管图形生成中。

该论文使用了两个真实的血管数据集，并展示了该方法的泛化能力，可以产生多样化、新颖和解剖合理的血管图形。值得注意的是，该方法可以处理包含循环的血管图形，如毛细血管或特定解剖结构如Willis环。此外，该论文还提供了开源代码。

最近的相关研究主要集中在使用自回归模型生成血管图形。例如，文章“DeepVessel: Retinal Vessel Segmentation via Deep Learning and Conditional Random Field”使用了基于深度学习和条件随机场的方法来生成视网膜血管图像。