[论文解读] A Deep Learning based Fast Signed Distance Map Generation

Zihao Wang, Clair Vandersteen+5 more|arXiv (Cornell University)|May 26, 2020

Optical measurement and interference techniques被引用 6

一句话总结

本文提出一种卷积神经网络（SDMNN），用于从参数化形状模型快速、准确地生成三维符号距离图（SDM），相比传统的基于网格的方法实现66倍加速，且无需GPU推理。该方法使医学图像分析中的实时SDM计算成为可能，尤其适用于人工耳蜗植入规划，在形状参数恢复方面与传统方法相比误差可忽略不计。

ABSTRACT

Signed distance map (SDM) is a common representation of surfaces in medical image analysis and machine learning. The computational complexity of SDM for 3D parametric shapes is often a bottleneck in many applications, thus limiting their interest. In this paper, we propose a learning based SDM generation neural network which is demonstrated on a tridimensional cochlea shape model parameterized by 4 shape parameters. The proposed SDM Neural Network generates a cochlea signed distance map depending on four input parameters and we show that the deep learning approach leads to a 60 fold improvement in the time of computation compared to more classical SDM generation methods. Therefore, the proposed approach achieves a good trade-off between accuracy and efficiency.

研究动机与目标

• 解决从三维三角网格生成符号距离图（SDM）在医学图像分析中计算成本过高的问题。
• 开发一种无需GPU的高效SDM生成方法，适用于临床部署。
• 实现在医学影像流程（如人工耳蜗植入规划）中快速的形状参数拟合。
• 克服基于点的神经网络（如DeepSDF）在生成完整3D SDM网格时的低效问题。
• 为参数化形状模型提供一种通用、精确且快速的传统SDM计算替代方案。

提出的方法

• 训练一个类似3D U-Net的卷积神经网络（SDMNN），直接从形状参数和空间坐标预测符号距离图。
• 网络在由参数化耳蜗模型使用VTK的vtkImplicitPolyDataDistance生成的3D SDM数据集上进行训练，以获得真实值。
• 网络输入包括四个形状参数（a, α, b, φ）和3D体素坐标，输出为每个体素的符号距离值。
• 训练采用预测SDM值与真实SDM值之间的均方误差（MSE）损失。
• 该方法避免了网格光栅化，且推理阶段无需通用GPU计算，支持纯CPU部署。
• 网络架构设计用于高效生成完整的3D SDM网格，与逐个评估距离的基于点的网络形成对比。

实验结果

研究问题

• RQ1 深度学习模型能否在保持高精度的前提下，显著快于传统的基于网格的SDM生成方法？
• RQ2 与基于点的神经网络（如DeepSDF）相比，所提出的SDMNN在完整SDM生成任务中的计算效率如何？
• RQ3 在临床图像拟合任务中，SDMNN的使用对形状参数估计精度的影响有多大？
• RQ4 SDMNN能否在无需GPU加速的临床环境中实现高效部署？
• RQ5 与传统方法相比，基于CNN的方法在推理速度与SDM精度之间存在怎样的权衡？

主要发现

• SDMNN在0.2秒内生成一个3D SDM，相比传统基于网格的方法（10.7秒）实现66倍加速。
• 在临床CT数据上的完整形状拟合任务中，SDMNN将计算时间从12小时15分钟缩短至1小时5分钟，提速11倍。
• SDMNN在参数a、α、b和φ上的平均形状参数误差分别为2.06e-08、2.53e-08、5.4e-08和1.00e-09，表明其与基于网格的方法相比恢复精度几乎完全一致。
• DeepSDF在单批次内无法在可接受时间内生成完整的SDM网格，耗时28秒，甚至慢于传统的VTK方法。
• 从SDMNN生成的图中提取的零等值面在视觉上与原始网格无法区分，表面重建的偏差极小。
• 即使在生成大尺寸SDM网格时，该方法仍保持高精度，非零等值线仅出现轻微且平滑的失真，对形状恢复影响较小。