编辑推荐：
传统 CT 三维重建面临分辨率限制及耗时后处理问题，基于体素的分割与重建易引入不连通区域等伪影。研究人员提出 ToPoMesh 端到端深度学习框架，含三项创新，在多数据集上表现优于现有方法，可省去人工后处理，为诊疗提供精准指导。
传统计算机断层扫描（CT）三维重建方法存在分辨率限制，且需耗时的后处理流程。尽管深度学习技术提高了分割精度，但传统基于体素的分割和表面重建流程往往会引入如不连通区域、拓扑不一致和阶梯状畸变等伪影。为应对这些挑战，研究提出 ToPoMesh，一种端到端的三维网格重建深度学习框架，可直接从 CT 体数据重建高保真表面网格。为解决现有问题，该方法引入三项核心创新：（1）通过图卷积网络中的残差连接和自注意力机制保留并增强局部特征信息，实现精确的局部和全局形状建模；（2）自适应变密度（Avd）网格去池化策略，动态优化顶点分布；（3）拓扑修改模块，通过可变正则项迭代修剪误差表面并进行边界平滑，以获得更精细的网格表面。在 LiTS、MSD 胰腺肿瘤、MSD 海马和 MSD 脾脏数据集上的实验表明，ToPoMesh 优于最先进的方法。定量评估显示，与端到端三维重建方法相比，倒角距离（肝脏）减少 57.4%，F 分数提高 0.47%，而定性结果证实，与分割框架相比，该方法在薄结构和复杂解剖拓扑结构上具有更高的保真度。重要的是，该方法无需手动后处理，实现了从图像重建三维网格的能力，可为手术规划和诊断提供精确指导。
