혈관에 대한 희소 표현 학습

Sparse Representation Learning for Vessels

인체 혈관 및 기도의 구조와 같은 관상 구조를 분석하는 것은 질병 진단 및 치료에 매우 중요합니다. 현재의 방법들은 종종 작은 영역 또는 단순화된 트리 구조에 의존하며, 이는 임상 수준의 전체 장기 네트워크를 분석하는 데 있어 계산적으로 큰 어려움을 야기합니다. 이에, 본 연구에서는 전체 장기 수준의 혈관 네트워크를 서브밀리미터 수준의 해상도로 의미 있고 압축적인 표현을 얻기 위한 효율적인 인코더-디코더 모델인 VAEsselSparse를 제안합니다. VAEsselSparse는 희소 컨볼루션 및 어텐션 메커니즘을 활용하여 3차원 혈관 구조의 고유한 희소성을 활용하며, 8x8x8의 상당한 공간 압축률을 달성합니다. 밀집 모델 및 기존 방법과 비교하여 우수한 재구성 성능을 보여줍니다. 또한, 생성된 잠재 공간은 임상적으로 관련 있는 판별 특징을 유지하며, 이는 동맥류/협착 또는 Willis 원의 아형과 같은 분류 작업에 쉽게 활용될 수 있습니다. 더욱이, VAEsselSparse의 압축된 잠재 공간은 생성 모델을 통해 혈관 특정 사전 지식을 학습하는 데 효과적인 표현 역할을 하며, 이를 통해 실제적인 혈관 구조를 합성할 수 있습니다.

Analyzing human vasculature and vessel-like, tubular structures, such as airways, is crucial for disease diagnosis and treatment. Current methods often rely on small sub-regions or simplified tree-like structures, rendering analysis of entire organ-level networks at clinical resolution computationally challenging. To this end, we propose VAEsselSparse, an efficient encoder-decoder model to obtain a meaningful yet compact representation of the entire organ-level vascular network at sub-millimeter resolution. VAEsselSparse leverages the inherent sparsity of 3D vascular structures via sparse convolutions and attention mechanisms, achieving substantial spatial compression rates of 8 x 8 x 8. We demonstrate superior reconstruction performance compared to dense counterparts and previous methods. Importantly, the resulting latent space retains clinically relevant discriminative features readily usable for classification tasks, such as aneurysm/stenosis or subvariants of the circle of Willis. Moreover, the compact latent space of VAEsselSparse serves as an effective representation for learning vessel-specific priors through generative models, enabling the synthesis of realistic vasculature.