[论文解读] Volumetrically Consistent Implicit Atlas Learning via Neural Diffeomorphic Flow for Placenta MRI

Athena Taymourtash, S. Mazdak Abulnaga+3 more|arXiv (Cornell University)|Mar 17, 2026

Fetal and Pediatric Neurological Disorders被引用 0

一句话总结

该论文提出一个体积正则化的隐式图谱框架，学习共享的胎盘模板和可微分同胚流，将单个胎盘映射到规范空间，从而实现密集体素级别的强度映射和鲁棒的内部形变。

ABSTRACT

Establishing dense volumetric correspondences across anatomical shapes is essential for group-level analysis but remains challenging for implicit neural representations. Most existing implicit registration methods rely on supervision near the zero-level set and thus capture only surface correspondences, leaving interior deformations under-constrained. We introduce a volumetrically consistent implicit model that couples reconstruction of signed distance functions (SDFs) with neural diffeomorphic flow to learn a shared canonical template of the placenta. Volumetric regularization, including Jacobian-determinant and biharmonic penalties, suppresses local folding and promotes globally coherent deformations. In the motivating application to placenta MRI, our formulation jointly reconstructs individual placentas, aligns them to a population-derived implicit template, and enables voxel-wise intensity mapping in a unified canonical space. Experiments on in-vivo placenta MRI scans demonstrate improved geometric fidelity and volumetric alignment over surface-based implicit baseline methods, yielding anatomically interpretable and topologically consistent flattening suitable for group analysis.

研究动机与目标

• 为人群水平分析，动机在于需要在胎盘形状之间实现密集的体积对应。
• 开发一个体积隐式模型，将SDF重建与面向共享模板的神经可微同胚流耦合。
• 对内部体积形变施加正则化，避免折叠并确保拓扑保持变形。
• 在不需要额外优化的情况下，使体素级强度从被试MRI映射到规范模板。
• 证明在几何保真度和可微同胚稳定性方面优于基于表面的基线方法。

提出的方法

• 在 Deep Implicit Templates (DIT) 的基础上，通过在共享模板 SDF 上定义的体积、可微同胚扭曲来扩展，使该扭曲在四面体内部样本上实现。
• 将扭曲建模为一个条件潜在的神经速度场 v，具有时间连续流 Phi，通过前向与后向积分（基于ODE）确保可微同胚。
• 将流离散化为 K 个稳定子场，并通过包含重建、位移正则化和体积正则化的联合损失进行训练。
• 通过对内在形变施加雅可比行列式惩罚以抑制折叠，以及双调谐惩罚以促进平滑体积轨迹来正则化。
• 通过学习到的逆向可微同胚流和四面体嵌入的重心插值，在模板空间将被试 MRI 拉回到模板空间实现强度映射。
• 在所有被试上端对端训练，联合优化模板、扭曲和潜在编码。

实验结果

研究问题

• RQ1 一个具有可微同胚流的体积隐式模型是否能够学习一个稳定的、具有密集对应的人群胎盘模板？
• RQ2 内部体积正则化（Jacobian、biharmonic）是否相比仅表面监督提升了可微同胚稳定性并减少内部失真？
• RQ3 是否能够在不对每个被试进行额外优化的情况下，将体素级强度映射高保真地转移到规范空间？
• RQ4 学习到的映射是否在姿态变化（如不同母体位置）下产生一致、可逆的形变？

主要发现

Model	Chamfer-L2 (×10^3)	EMD	NC	Precision	Recall	F1	Precision	Recall	F1	Precision	Recall	F1
DeepSDF	0.27	0.05	0.97	0.24	0.98	0.99	0.24	0.99	1.00	0.24	0.99	0.99
DIT	0.17	0.05	0.97	0.37	0.98	0.99	0.37	0.99	1.00	0.38	0.99	0.99
DIF-Net	0.12	0.04	0.98	0.43	0.99	1.00	0.43	0.99	1.00	0.43	0.99	1.00
NDF	0.22	0.05	0.97	0.28	0.99	1.00	0.28	0.99	1.00	0.28	0.99	1.00
Ours	0.12	0.04	0.98	0.43	0.99	1.00	0.43	0.99	1.00	0.43	0.99	1.00

• 所提出的方法在可微同胚性指标上优于基线（翻转率更低、logDet-L1 更低、循环误差更低），表明变形更可逆且体积保持性更强。
• 体积正则化在体积、表面积和边界的失真更低（更低的 SymDir 与 Conformal 能量），并且内部形变更平滑（离散拉普拉斯能量更低）。
• 与共享模板的密集对应在不同被试之间在视觉和量化上是一致的，能够在模板顶点上实现一致的颜色映射。
• 内部强度映射到规范空间能够在不迭代逐被试优化的情况下实现胎盘MRI 的展平，同时保留小叶和血管结构。
• 消融实验表明双调谐正则化在避免折叠和降低拉普拉斯能量方面提供最强的改进，同时保持表面精度。