Self-Calibrated Hyperspectral Neural Radiance Fields for 3D Reconstruction of Bone and Bone Analogues
本文介绍了 BoNeRF-HS，一种自校准高光谱神经辐射场框架，该框架通过联合优化相机内参与光谱辐射度，并利用门控光谱适配器来捕捉波长依赖的组织细节，实现了骨骼及骨类比物的无位姿高质量三维重建。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，试图为一块骨头拍摄一张完美的立体三维照片。在标准相机中，你依赖于表面的纹理——裂纹、孔隙、粗糙度——来告诉计算机哪里是起点，哪里是终点。但骨头通常是光滑、有光泽且异常均匀的，这使得传统相机很难弄清楚自己的位置或所观察物体的形状。对于那些需要非接触式观察骨骼三维形态，且希望了解其化学成分的医生和科学家来说，这是一个重大的障碍。为了解决这个问题，研究人员开发了一种构建三维模型的新方法，这种方法不需要相机预先知道自己站在哪里。相反，计算机可以同时学习相机的姿态和物体的形状，并利用一种特殊的、能够揭示组织隐藏化学成分的光。
观察清晰骨骼的挑战不仅在于形状，还在于成分。普通相机只能看到三种颜色，而高光谱相机则能看到数百个狭窄的光谱带，从可见光谱一直延伸到近红外波段。这使得相机能够检测光线在矿化组织上反射出的细微差异，从而揭示有关骨骼健康、密度和化学结构的信息。然而，将如此丰富的化学数据与三维模型结合起来一直非常困难，因为用于构建三维形状的方法通常在处理骨骼时会失效。标准工具依赖于通过寻找图像中的匹配模式来推测相机的移动，但骨骼表面对于这些工具来说过于光滑且具有反射性，导致其无法可靠工作。当相机的位置被错误估计时，生成的3D模型就会变得模糊或扭曲，化学数据也会被错误地涂抹在表面的错误位置。
为了克服这一难题，来自格林威治大学和梅德韦药学院的研究团队开发了一个名为 BoNe_RF-HS 的新系统。该系统是一种人工智能，它能够直接从一系列不同角度拍摄的图像中学习创建物体的3D地图，而无需任何关于相机位置的预先计算信息。研究人员在三种特定类型的标本上测试了该系统：真实的鼠骨、一种旨在模拟小梁骨多孔海绵状结构的合成材料，以及另一种模仿致密硬质皮质骨层的合成材料。他们为每个标本捕捉了45个不同的视角，每个视角包含120个从400到1000纳米范围内的不同光谱带。
这种新方法的核心是一个过程，即计算机在构建3D形状的同时，计算出相机的内部设置及其位置。在之前的尝试中，科学家必须使用单独的软件先估算相机的位置，而这一步骤在处理骨骼时经常失败。BoNeRF-HS 完全取消了这一步骤。它将相机的姿态和物体的3D密度视为可以同时进行学习和改进的对象。为了使化学数据更加准确，该系统包含一个特殊的组件，用于观察相邻光谱带之间的关系。由于某一波长的光在其相邻波长下的行为往往相似，该组件会对预测的颜色进行细微且智能的调整，确保骨骼的化学特征保持锐利且真实。
当研究人员将他们的新系统与现有方法进行对比时，结果显而易见。对于所有三种标本，新方法都产生了更清晰的图像和更准确的3D形状。对于鼠骨，该系统达到了以往方法无法比拟的细节水平，保留了那些经常丢失的精细边缘和表面纹理。对于合成骨类比物，该系统成功捕捉到了海绵状骨骼复杂的孔隙结构和致密骨骼的光滑表面，且在颜色和化学数据方面的误差明显低于旧技术。该系统也在小鼠软组织上进行了测试，表现良好，尽管结果显示该方法在处理软性、可变形组织时与处理刚性骨骼时的表现略有不同，研究人员也针对这一点提出了未来的研究方向。
这项工作的意义在于它能够创造出一种既包含物理形状又包含化学成分的、完整的非接触式骨骼视图。这是迈向临床应用的重要一步，例如在骨科手术领域，外科医生未来可能会利用这样的系统，在不让患者暴露于辐射的情况下，精确观察骨折的具体位置以及骨骼的愈合情况。它对法医学也具有前景，因为了解骸骨的状态可以提供至关重要的线索。通过证明可以从高光谱数据中准确构建出无需预知相机位置的3D模型，研究人员为实现此前无法实现的骨骼可视化开辟了一条切实可行的路径，将一个困难的成像问题转化为了可靠的医疗与科学发现工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。