基于深度学习的医学图像三维重建研究综述.docVIP

基于深度学习的医学图像三维重建研究综述

医学图像三维重建是连接二维医学影像与临床诊疗决策的关键桥梁，其通过对CT、MRI、超声等模态的二维断层图像进行序列分析，还原人体组织、器官乃至病变的三维空间结构，为手术规划、放疗定位、病理分析以及医学教学等场景提供高精度的空间信息支撑。传统三维重建方法多依赖手工设计的特征算子与几何约束，在处理低对比度影像、复杂解剖结构以及存在运动伪影的数据集时，普遍存在重建精度不足、鲁棒性差、自动化程度低等问题。近年来，深度学习技术在计算机视觉领域的突破性进展为医学图像三维重建提供了新的解决范式，基于卷积神经网络、Transformer、生成式模型等架构的重建算法不断突破传统方法的性能瓶颈，推动该领域向高精度、高效率、多模态融合的方向快速发展。

一、医学图像三维重建的核心任务与数据基础

医学图像三维重建的技术路径可分为体素重建、表面重建和点云重建三大类，三类任务分别适配不同的临床需求：体素重建以三维网格为基本单元，完整保留组织内部的密度信息，适用于放疗剂量计算、病理组织体积测量等需要内部结构参数的场景；表面重建聚焦于组织或器官的边界提取，输出高精度三角网格模型，是手术导航、假体设计的核心数据基础；点云重建则通过离散三维点的集合描述结构形态，具有数据量小、渲染速度快的优势，更适合移动端实时诊疗场景的需求。

当前主流的公开数据集为深度学习模型的训练与验证提供了标