正文
中文标题：
RoCoSDF：自由手持三维超声成像形状重建
发表期刊：MICCI2024
发表时间：
2024年8月11日
1 研究背景
（1）高质量的几何形状重建对自由手三维超声成像的发展至关重要，但由于探头厚度导致的升高畸变，基于多视角超声数据的形状重建仍存在较大挑战。
（2）提出了一种新颖的基于学习的框架——
RoCoSDF
，通过从行列扫描数据集中提取的连续形状特征，有效生成隐式表面。该框架通过编码不同视角的超声数据为对应的神经符号距离函数（SDF），并在归一化的三维空间中操作这些 SDF，恢复实际表面轮廓。
（3）RoCoSDF 通过综合多个视角的 SDF，生成平滑、连续的符号距离场，以隐式表示实际几何形状。此外，引入两个正则化器，用于约束 SDF 在表面附近的行为，从而进一步细化形状。
（4）对由两种超声探头采集的 12 组形状数据进行实验表明，RoCoSDF 能够准确地从多视角超声数据中重建几何形状，其性能优于现有方法。
2 研
究方法
2.1 重建流程
(a) 分别训练以从输入的行-列数据集中预测行和列SDFs；
(b) 融合预测的SDFs以获距离场；
(c) 在距离场中采样查询点和SDF值以进行形状细化；
(d) 使用Marching Cube算法从优化的SDF中提取3D网格。
2.2 RoCoSDF：多视图神经形状重建
（1）神经SDF预测
使用两个MLP神经网络分别预测行扫描和列扫描的神经SDFs。
（2）SDF融合
通过CSG（Constructive Solid Geometry）操作，通过SDFro和SDFco的交集来粗略融合SDF。
（3）SDF采样和细化
进一步训练fopt以优化融合的距离场，设计SDF采样器直接在SDFroco的3D立方体中采样查询点和SDF值。
2.3 模型训练与损失函数
网络使用两种学习策略进行训练：自监督学习和监督学习。
自监督学习用于训练fro和fco，因为没有可用的真实SDFs；
监督学习用于训练fopt，使用SDFroco作为伪真实值。
3 研究结果
3.1 数据采集和准备
（1）使用六个计算机辅助设计的（CAD）脊椎模型作为3D打印的模型，包括三个典型的胸椎（T4, T8, T12）和三个典型的腰椎（L1, L3, L5）。
（2）
这些CAD模型作为评估的真值
。
使用两种不同的超声换能器（UT1和UT2）收集两组数据。每个模型由一个UT扫描，每个行-列扫描对应1个形状和2个扫描。两个UTs从6个模型中获得12个形状和24个扫描。
3.2 评估指标
这些距离是计算从重建网格和相应的CAD模型中随机采样的点之间的距离。
3.3 实现细节
（1）三个神经网络frow, fcol和fopt由8个MLP和256个隐藏通道组成，第四层有跳跃连接。除了最后一层外，每层后都附有Relu激活函数。
（2）使用Adam优化器训练frow, fcol和fopt，迭代1.0 × 10^4次。学习率设置为0.001，采用余弦衰减计划。
（3）批量大小、λscc和λadl分别设置为5000、0.01和0.01。αnonmfd和λmfd分别设置为100和0.6。
（4）网络使用Pytorch实现，并在配备24GB内存的单个NVIDIA RTX 3090 GPU上训练。
3.4 定性和定量结果
（1
）RoCoSDF在两个数据集上的所有四个评估指标上均优于UNSR。
（2）与UNSR行扫描相比，在UT1扫描中MAD和RMSE分别提高了27%和24%，在UT2扫描中与UNSR列扫描相比，MAD和RMSE分别提高了32%和35%。
（3）尽管UT2探头的重建质量较差，但该方法仍能准确恢复真实结构。
统计显著性在所有指标上均小
