基于混合LOOP细分逆简化的动态医学图像四维网格重建方法

The 4D medical image data have brought challenges to the traditional static data storage. Classic data compression methods for medical organ model seldom considered timing evolution, but only records such as brain atrophy in the brain tissue deformation to support doctor diagnosis. The traditional geometry compression methods mostly adopt the energy optimization, their compression efficiency and the characteristic maintained cannot have both. And most of the geometric simplification methods have lossless reconstruction method and multiresolution representations method. Facing the demand of digital home remote medical service, this project proposes the mass medical data grid dynamic geometry for lossless hybrid compression method based on reverse subdivision: 1) using reverse subdivision mask geometric continuity feature, not to optimize or sort, time complexity is low; 2) when the reconstruction mesh micro deformation only by the interpolation of the displacement compensation, inverse Loop segmentation, the base mesh is not changed; large mesh deformation, using the approximation property of interpolation subdivision coexist with hybrid subdivision, use parameters to adjust the mesh deformation; 3) dynamic mesh compression process in large deformation of the mesh and alternating between micro deformation, simplified calculation only in the reference frame grid. This method is expected to achieve high computational speed and compression efficiency, and can be extended to 4D point cloud compression and other fields in the future.

动态PET、CT等医学图像因描述随时间变化的病灶演变对辅助诊疗具有重要意义，但其海量的数据量对数据存储带来挑战。传统三维网格简化方法大多采用各种能量优化，因此压缩效率和特征保持不可兼得，且多数几何简化方法并无对应无损重建及多分辨率表示方法。本课题面向数字家庭远程医疗服务需求，针对动态医学图像的重建网格数据，提出基于混合LOOP细分逆简化的无损四维网格重建方法，其特点入下：1）细分逆简化只使用掩模几何连续性进行特征保持，而不进行各种优化或排序，故时间复杂度低；2）当重建网格仅发生微变形时，使用混合LOOP细分进行位移补偿，基网格不发生改变；而网格大变形时，利用混合细分的逼近与插值细分共存的特性，使用参数来调整网格形变； 3）动态网格简化过程在网格的大变形和微变形之间不断交替进行，仅在参考帧处进行网格简化计算。本方法期望实现较高的计算速度和压缩效率，未来可以推广到动态点云压缩等领域。

本课题以插值细分、可微计算为研究基础，以医学等图像重建为研究对象，探究了网格模型的变形、重建以及快速传输方法。本研究完成了：1）提出一种基于逆插值Loop细分的尖锐特征保持渐进传输方法（RILSP），可以实现三角网络混合细分逆简化的尖锐特征保持功能。2）提出一种基于二面角逆插值Loop细分(DRILS)的自适应渐进传输算法，实现了三角网格混合细分逆简化的自适应功能。3）引入深度学习思想，提出基于插值Loop细分的Pytorch3D网格变形方法，实现面向图像重建的网格变形方法。4）提出基于插值Loop细分的Pytorch3D三维重建算法，实现了网格重建功能及原型系统。5）并以24小时的动态心电图为散点图像，提出了一种散点图描述的自然语言自动生成方法。项目研究内容为网格模型的快速传输技术的发展应用提供必要的理论探索和技术储备。