VesselDiffusion: 3D Vascular Structure Generation Based on Diffusion Model.
研究背景
血管结构模型在疾病诊断、手术规划和医学教育中意义重大。但因血管系统连接复杂，现有方法多生成局部或单个血管。本文提出VesselDiffusion两阶段框架生成详细血管结构，鉴于特定血管训练数据有限，直接生成3D数据细节和多样性不足，故先训练2D血管生成模型，再扩展为3D血管系统。
方法速览
- 两阶段框架：先利用2D血管数据训练2D生成模型，再通过条件扩散模型将2D图像扩展为3D血管结构。
- 双流特征提取模块 (DSFE)：结合ViT和GCN，从2D图像提取视觉和结构特征，保证3D数据与2D图像一致。
- 扩散模型：采用扩散模型生成3D点云，经逐步去噪生成最终3D血管结构。
主要发现
- 生成高质量的3D血管结构：VesselDiffusion结合ViT和GCN提取特征，生成的3D数据符合解剖学合理性，实验显示其在分布距离和用户评分上优于其他方法。
- 2D到3D转换的有效性：在Chamfer Distance、Earth Mover’s Distance和F1 Score等指标上表现优异，能有效从2D MIP图像生成3D血管结构，且与2D输入高度一致。
- 生成数据的多样性和准确性：生成的3D血管结构关键指标分布与真实数据接近，用户评分高，表明数据统计分布和解剖学细节准确。
- 2D MIP图像生成的多样性：第一阶段生成的2D MIP图像拓扑和结构变化丰富，为3D生成提供多样输入，验证了生成多样化3D血管结构的有效性。
总结展望
VesselDiffusion是首个基于扩散模型生成详细且解剖学真实血管网络的研究，结合ViT和GCN有效提取特征。不过，该方法对密集血管网络适用性有限，且依赖高质量2D图像，后续研究可针对这些局限进行改进。