Med-PU: Point Cloud Upsampling for High-Fidelity 3D Medical Shape Reconstruction

ملخص تقني: Med-PU لإعادة بناء الأشكال الطبية ثلاثية الأبعاد عالية الدقة

بيان المشكلة
تعد إعادة البناء التشريحي ثلاثي الأبعاد عالي الدقة أمراً ضرورياً للمهام السريرية اللاحقة، بما في ذلك التخطيط قبل الجراحة، وتحديد أهداف العلاج الإشعاعي، وتصميم الغرسات التقويمية. ومع ذلك، توجد فجوة كبيرة بين مخرجات التجزئة القياسية القائمة على الفوكسل (voxel-wise segmentation) المستمدة من الصور الطبية، وبين النماذج ثلاثية الأبعاد القابلة للاستخدام سريرياً. إن التحويل المباشر لأقنعة الفوكسل المنفصلة إلى شبكات (meshes) سلسة، ومغلقة (watertight)، وأمينة تشريحياً يمثل تحدياً كبيراً بسبب الملاحظات الجزئية، وضجيج الصور، والتباين بين الأفراد. تحاول النماذج الإحصائية للشكل (SSMs) التقليدية معالجة هذا التباين، لكنها تعتمد على تحديد المعالم يدوياً، والمراسلات الصريحة، وتحليل المكونات الرئيسية (PCA)، مما يحد من قدرتها على التوسع والأتمتة في مجموعات البيانات الطبية الضخمة. وفي المقابل، غالباً ما تنتج شبكات التجزئة القائمة على التعلم العميق الحديثة شبكات (meshes) متعرجة، أو غير متسقة طوبولوجياً، أو مفرطة في التنعيم، خاصة عندما تكون دقة المدخلات محدودة.

المنهجية
يقترح المؤلفون Med-PU، وهو إطار عمل قائم على المعرفة يسد الفجوة بين مخرجات التجزئة والنماذج ثلاثية الأبعاد عالية الجودة من خلال دمج تجزئة الصور الطبية الحجمية مع رفع كثافة السحابة النقطية العميقة. يعمل خط الإنتاج عبر ثلاث مراحل متتالية:

1. التجزئة الحجمية: يستخدم إطار العمل SAM-Med3D (وهو امتداد ثلاثي الأبعاد لنموذج Segment Anything Model) لإجراء تجزئة قائمة على الفوكسل لبيانات الأشعة المقطعية (CT)، مما يولد أقنعة تشريحية أولية.
2. استخراج النقاط ورفع كثافتها: يتم تحويل هذه الأقنعة إلى سحب نقطية متفرقة. تقوم شبكة رفع كثافة عميقة، مدربة على بيانات الأشكال الطبية ثلاثية الأبعاد واسعة النطاق (تحديداً مجموعة MedShapePelvic التابعة لـ MedShapeNet)، بمعالجة هذه النقاط المتفرقة. وخلافاً للنماذج الإحصائية للشكل (SSMs) الكلاسيكية، تتعلم هذه الشبكة أولوية تشريحية ضمنية مباشرة من توزيع البيانات بدلاً من الاعتماد على النمذجة البارامترية الصريحة. تقوم الشبكة برسم مسار التوزيع المستمد من التجزئة نحو المنطوق التشريحي الحقيقي (ground-truth anatomical manifold)، مما يؤدي فعلياً إلى تكثيف وتنظيم مجموعة النقاط.
3. إعادة بناء السطح: تخضع السحابة النقطية الكثيفة الناتة لعملية إعادة بناء السطح باستخدام خوارزمية Marching Cubes (بحجم شبكة فوكسل قدره 1.5) لإنتاج شبكات مثلثية سلسة ومتسقة طوبولوجياً.

يهدف هدف التعلم إلى تقليل التباين المتماثل (symmetric Chamfer discrepancy) بين النقاط المرفوعة والمتوقعة والنقاط الكثيفة المستهدفة، مما يدمج انتظام الشكل والتباين السكاني في معاملات الشبكة دون الحاجة إلى معالم (landmarks) أو تحليل المكونات الرئيسية (PCA).

المساهمات الرئيسية

• دمج الأولوية الضمنية: يقدم البحث خط عمل يربط بين التجزئة القائمة على SAM-Med3D ورفع كثافة السحابة النقطية العميقة لتعلم الأولويات التشريحية الضمنية. يساهم هذا النهج في تكثيف وتنظيم مجموعات النقاط المستمدة من التجزئة وتحويلها إلى شبكات سلسة ومغلقة دون الحاجة إلى تحديد معالم يدوية أو استخدام PCA.
• تقييم شامل: تم تدريب الطريقة على مجموعة بيانات MedShapePelvic والتحقق من صحتها باستخدام مجموعة بيانات Pelvic1k. وقد تمت مقارنتها بطرق رفع الكثافة الرائدة (بما في ذلك PU-GCN و Grad-PU و PUCRN) باستخدام مجموعة من مقاييس الهندسة والسطح (مسافات Chamfer/Hausdorff، خطأ النقطة إلى السطح P2F، F-score، اتساق الناظم، المقاييس المدركة للحواف، نسبة المساحة إلى الطول، معدل المانيفولد (Manifoldness Rate)، وتفاوت المكونات المتصلة).
• إمكانية عدم الارتباط بالتشريح: رغم التحقق من صحة الطريقة خصيصاً على عظام الحوض، إلا أن المؤلفين يفترضون أن إطار العمل غير مرتبط بتشريح محدد وقابل للتطبيق على مناطق هيكلية وأعضاء أخرى، مما يوفر جسراً قابلاً للتعميم من تجزئة الفوكل إلى النماذج ثلاثية الأبعاد.

النتائج التجريبية
أظهرت التجار تجرى على مجموعات بيانات الأشعة المقطعية للحوض أن Med-PU يحسن باستمرار جودة السطح والدقة التشريحية مقارنة بالطرق المرجعية:

• أداء رفع الكثافة: في مهام رفع الكثافة بمقدار 4 أضعاف، تفوق تنفيذ Med-PU القائم على PUCRN على الطرق الأخرى (MPU, PU-GCN, Grad-PU) عبر مقاييس متنوعة (من 512 إلى 4,096 نقطة) من حيث مسافة Chamfer (CD)، ومسافة Hausdorff (HD)، وخطأ النقطة إلى السطح (P2F). ومن الجدير بالذكر أن التدريب على مجموعة بيانات MedShapePelvic المتوافقة مع المجال أدى إلى نتائج أفضل بكثير من التدريب على مجموعة PU1k الاصطناعية، مما يبرز أهمية الإشراف المتوافق مع المجال.
• جودة السطح: أظهر التحليل الكمي للشبكات المعاد بناؤها أن Med-PU (تحديداً مع PUCRN) حقق مقاييس جودة شبكة متفوقة، بما في ذلك نسب أعلى للمساحة إلى الطول (مما يشير إلى شكل مثلث أفضل) وانخفاض في تفاوت المكونات المتصلة (مما يشير إلى عدد أقل من العيوب الطوبولوجية) مقارنة بنتائج التجزئة الخام.
• الدقة البصرية: أكدت عمليات التصور المرئي أن إطار العمل المقترح يولد أسطحاً أكثر سلاسة مع هياكل أكثر تفصيلاً وآثار طبقات أقل مقارنة بإعادة بناء Marching Cubes المباشرة من أقنعة الفوكسل.

الأهمية والادعاءات
يزعم البحث أن Med-PU يعمل كأداة عملية وقابلة للتعميم لسد الفجوة بين مخرجات التجزئة والنماذج ثلاثية الأبعاد القابلة للاستخدام سريرياً. ومن خلال الانتقال من النمذجة البارامترية الصريحة إلى الأولويات الضمنية المتعلمة، يتيح إطار العمل إعادة بناء مرنة ومؤتمتة تحت كثافات مدخلات متغيرة. ويؤكد المؤلفون أن نهجهم يتجنب قيود التوسع والأتمتة التي تواجهها النماذج الإحصائية للشكل (SSMs) الكلاسيكية، بينما يعالج أيضاً مشكلات التعرج وعدم الاتساق الطوبولوجي في إعادة بناء الشبكات المباشرة. ورغم التحقق من صحته حالياً على منطقة الحوض، إلا أن الدراسة تشير إلى أن النهج قوي عبر كثافات المدخلات المختلفة وقابل للتطبيق في سياقات طبية حيوية أوسع، شريطة توفر بيانات تدريب متوافقة مع المجال لالتقاط الاختلافات التشريحية المستهدفة.