Deep Medial Voxels: Learned Medial Axis Approximations for Anatomical Shape Modeling

从成像体中进行形状重建是医学影像分析中经常需要的。常见的工作流程是先进行分割，然后进行精细的后处理，最后使用特定的网格算法。由于这个过程可能会很耗时，因此可以通过训练神经网络来通过模板变形重建形状。这些网络可以在无需手动干预的情况下提供最先进的结果，但到目前为止，它们主要是在解剖形状上进行评估，个体之间的拓扑变化很小。相比之下，其他研究倾向于学习隐式形状模型，这对于网格化和可视化有多重好处。我们的工作沿着这个方向进行，引入了深度中心体素，这是一种半隐式表示，可以忠实地近似成像体中的拓扑骨架，并最终通过卷积表面实现形状重建。我们的重建技术在可视化和计算机模拟方面都显示出潜力。

论文旨在解决医学图像分析中形状重建的问题，通过引入深度中央体素的半隐式表示来实现形状重建。

论文的关键思路是使用深度中央体素来近似成像体积的拓扑骨架，并通过卷积表面实现形状重建。

论文的实验结果表明，该方法在可视化和计算模拟方面都表现出潜力。该方法与当前的神经网络方法相比，不需要手动干预，同时可以处理具有多种拓扑结构的形状。论文使用了多个数据集进行实验，并提供了开源代码。

在这个领域中，最近的相关研究包括使用神经网络进行形状重建的方法和学习隐式形状模型的方法。相关论文包括“Deep Implicit Templates for Shape Regression”和“Learning Implicit Fields for Generative Shape Modeling”。