MICCAI

リアルな3D血管のための階層的パーツベース生成モデル

Authors Siqi Chen, Guoqing Zhang, Jiahao Lai, Bingzhi Shen, Sihong Zhang, Caixia Dong, Xuejin Chen, Yang Li

Original Paper Published 2026

ISOM Posted 2026-03-12 21:27 UTC

Read Time 15M

Open PDF Open MICCAI page

背景と学術的系譜

リアルな3D血管構造を生成するという課題は、術前計画や診断評価といった医療分野における高精度シミュレーションの切実なニーズから浮上した。3Dモデリング技術は著しく進歩したが、血管は特有の困難を突きつける。椅子や飛行機のような剛体とは異なり、血管ネットワークは予測可能で固定された構造を持たず、複雑で不均一な曲率を伴う、極めて不規則な樹状のトポロジーを特徴とする。

先行研究における根本的な「ペインポイント」は、グローバルなトポロジーとローカルな幾何学的詳細を同時に捉える能力の欠如にある。点群（Point cloud）ベースのモデルは、血管の管状で細長い性質を扱うのに苦慮し、しばしば連結性を維持できない。一方、VesselVAEや拡散モデル（Diffusion-based methods）のような既存の生成モデルは、ネットワーク全体を単一のエンティティとして扱うか、あるいは複雑な多分岐ネットワークにおいて「ブロック状」のアーティファクトや断絶したコンポーネントを防ぐために必要な構造的制約を欠いている。著者らは、先行モデルの多くが階層的な分解戦略を欠いていたために、複雑なデータセットへのスケーリングに失敗していたことを突き止めた。

直感的なドメイン用語

Key Graph: 樹木の「骨格設計図」と考える。枝の太さを無視し、幹がどこで分岐し、どこで枝が終わるかという全体的なレイアウトのみに焦点を当てる。
Recursive Variational Autoencoder (RVAE): 小さく単純なパーツを組み合わせて大きなサブアセンブリを構築する方法を学習し、構造全体が完成するまでそのプロセスを繰り返すことで、複雑な構造を構築する手法。
Geometric Descriptor: 各枝に付与された「指示タグ」のセット。モデルに対し、ツリー全体の中での位置に基づいて、そのセグメントがどれほどの長さ、曲率、太さであるべきかを正確に伝える。
Implicit Neural Fields: 物体を直接描画するのではなく、3D空間内の特定の点が血管の「内部」か「外部」かを判定する関数を作成することで、物体の形状を定義する「数学的地図」。

表記法一覧

表記	説明
$v_{parent}$	キーグラフにおける親ノードの属性ベクトル
$h_{left}, h_{right}$	左および右の子ノードの隠れ状態
$z_{root}$	血管グラフ全体を表すグローバルな潜在埋め込み
$C = [\ell, \delta, \kappa, \rho]$	幾何学的記述子（長さ、直線距離、曲率、ツリー深度）
$\mathbf{x} = [x, y, z, r]$	血管セグメント上の点の3D空間座標および半径
$\hat{v}, \hat{\mathbf{x}}$	それぞれ再構成されたノード属性およびセグメント点

数学的解釈

著者らは、生成問題を階層的な3段階のプロセスに分解することで解決を図る。

グローバル構造 (Stage 1): RVAEを用いてツリートポロジーの分布を学習する。エンコードフェーズでは、$h_{parent} = \text{MLP}(\text{concat}[v_{parent}, h_{left}, h_{right}])$ を介して子ノードの特徴を親ノードに集約する。デコードフェーズではこれを逆行させてグラフを生成し、分類器を用いて分岐の存在を予測する。目的関数は、ノードの再構成誤差と構造分類の最小化であり、KLダイバージェンスによって正則化される。
$$\text{Loss} = \text{MSE}(\hat{v}, v) + \text{CrossEntropy}(\hat{y}, y) + D_{KL}(q(z_{root})\|p(z_{root}))$$
ローカル幾何学 (Stage 2): グローバル構造が定義された後、個々のセグメントをシーケンスとしてモデル化する。TransformerベースのVAEを幾何学的記述子 $C$ で条件付けることにより、生成される曲線がキーグラフで定義された必要な長さと曲率に一致することを保証する。
アセンブリ (Stage 3): 最後に、生成されたキーグラフに対して深さ優先探索を行う。各ノードにおいて、合成されたセグメントにスケーリングおよび回転変換を適用し、グローバルな向き $[n_x, n_y, n_z]$ と完全に一致させる。この「パーツベース」のアプローチは、複雑なグローバル・トポロジーをローカルな管状幾何学から効果的に分離し、従来のモノリシックなモデルよりも堅牢で解剖学的に整合性のとれた結果を可能にする。

問題定義と制約

コアとなる問題設定とジレンマ

出発点 (入力): 研究者らは、生の3D医用画像データ（例：CCTAスキャン）から開始する。前処理を通じて、血管中心線の簡略化された1次元表現である血管ネットワークの骨格と、半径情報を抽出する。

目指すべき終着点 (出力): グローバルなトポロジカル構造（分岐する樹木）とローカルな幾何学的詳細（個々の血管セグメントの特定の曲率、半径、長さ）の両方を保持する、高忠実度でリアルな3D血管モデルを生成すること。

欠落したリンク: 従来の手法は、血管ネットワークをモノリシックなエンティティとして扱うことが多い。点群ベースのモデルは血管の管状で細長い性質を捉えられず、しばしば「穴」や断絶したコンポーネントを生じる。逆に、既存のグラフベース生成モデルは、グローバルなツリー構造と個々の枝の微細な局所的幾何学的変化とのバランスをとることに苦慮する。その乖離は、「どこに（グローバル・トポロジー）」と「どのように（ローカル幾何学）」を効果的に分離できない点にある。

ジレンマ: 根本的なトレードオフは、構造的整合性と幾何学的忠実度の間にある。モデルがグローバルなツリー構造に過度に集中すれば、血管を「リアル」に見せる微細で不均一な曲率や変化する半径を無視しがちになる。逆に、ローカルな点レベルの詳細に集中しすぎれば、グローバルな連結性が失われ、解剖学的に不可能な断片化した構造を招く。

厳しい制約:
1. トポロジカルな複雑性: 血管は剛体ではなく、分岐の数や位置が個人間で大きく異なる、極めて不規則な分岐構造である。
2. データの疎性と離散性: 標準的な3D生成モデル（椅子や飛行機用など）は、血管の管状で薄く細長い性質には不向きである。
3. 陰的表現の限界: 陰的ニューラルフィールド（一部の拡散モデルなど）の使用は、構造的精度の低下を招くことが多い。これらのモデルは、生物学的血管系に必要な厳格な樹状制約を明示的に強制することに苦慮するためである。

なぜこのアプローチなのか

本論文の著者らは、標準的な点群生成器、基本的な拡散モデル、VAEといった従来の生成モデルが、3D血管ネットワーク特有のトポロジカルおよび幾何学的制約を扱うには根本的に不十分であると特定した。彼らの階層的パーツベース・アプローチの「必然性」は、血管が単なる非構造的な点群や単純な体積ではなく、グローバルな連結性とローカルな管状幾何学が等しく重要である複雑な樹状グラフであるという認識から生じている。

従来のSOTAの失敗

著者らは、以下の観察に基づき、標準的な「SOTA」アプローチを明示的に否定している。
* 点群ベースのモデル: これらの手法は3Dオブジェクトを順序のない点の集合として扱う。椅子や飛行機のような剛体には有効だが、血管の細長く、管状で、高度に連結された性質を捉えられない。骨格に対する明示的な理解を欠くため、しばしば「穴」や断絶したコンポーネントを生成する。
* 陰的ニューラルフィールド (INR) および拡散モデル: 強力ではあるが、複雑な分岐構造に固有の高次元ノイズに苦慮する。著者らは、これらの手法がしばしば「ブロック状」の形状や構造的異常を生成し、医療グレードの血管シミュレーションに必要な精密で薄壁の連続性を維持できないと指摘する。
* VesselVAE: 骨格グラフを使用しようとするが、ネットワーク全体をモノリシックなエンティティとして生成する。このアプローチは、ImageCASのような実世界のデータセットに見られる膨大な分岐パターンの多様性を扱うモジュール性を欠いており、分岐数が増えるにつれて忠実度が低下する。

比較優位性：構造的利点

提案手法は、血管の生物学的現実に合致した階層的分解を強制するため、質的に優れている。
1. グローバル・ローカルの分離: グローバルな二分木（「キーグラフ」）をローカルな幾何学的詳細（「セグメント」）から分離することで、生成タスクの複雑さを軽減する。モデルは3D構造全体を一度に学習しようとするのではなく、まず高レベルのトポロジカルマップを学習し、その後に詳細を埋める。
2. 制約の整合性: 問題と解決策の「結合」は、グローバル構造に対する再帰的変分オートエンコーダ (RVAE) と、ローカルセグメントに対するTransformerベースのVAEの使用に見られる。RVAEは樹状階層を完璧に捉え、Transformerは管状曲線のシーケンシャルな性質をモデル化するのに最適である。
3. 幾何学的条件付け: 幾何学的記述子 $C = [\ell, \delta, \kappa, \rho]$ の導入は、グローバルステージとローカルステージの架け橋として機能する。ローカルセグメントの生成をこれらの特定のパラメータ（長さ、直線距離、曲率、ツリー深度）で条件付けることにより、各セグメントが単なるランダムな曲線ではなく、より広範な血管ツリー内での位置と解剖学的に整合性のとれたものであることを保証する。

Figure 3. (a) The encoding and decoding process of the model in Stage 1. (b) The two types of rotation processes in Stage 3

数学的・論理的メカニズム

本論文は、3D血管の複雑な樹状トポロジーとローカルな幾何学をモデル化するために設計された、階層的なパーツベース生成フレームワークを導入している。物体をモノリシックな点群や陰的フィールドとして扱う標準的な3D生成モデルとは異なり、本アプローチは血管をグローバルな「キーグラフ」（分岐する骨格）とローカルな「セグメント」（管状の曲線）に分解し、それらを合成・組み立てる。

数学的エンジン

フレームワークの核心は、グローバル構造を生成するための再帰的変分オートエンコーダ (RVAE) に依存している。このステージの目的関数は以下の通りである。

$$\text{Loss} = \text{MSE}(\hat{v}, v) + \text{CrossEntropy}(\hat{y}, y) + D_{KL}(q(z_{root}) \| p(z_{root}))$$

方程式の分解

$\text{MSE}(\hat{v}, v)$: 予測されたノード属性 $\hat{v}$ とグラウンドトゥルース $v$ との間の平均二乗誤差である。これは幾何学的なアンカーとして機能し、生成された骨格の空間座標と方向ベクトルが実世界のデータと一致することを保証する。
$\text{CrossEntropy}(\hat{y}, y)$: この項は、子ノードの存在に関する分類誤差を測定する。これは、モデルに正しい分岐トポロジー（血管セグメントが分岐すべきか、終端すべきか）を学習させるための論理的制約である。
$D_{KL}(q(z_{root}) \| p(z_{root}))$: これはカルバック・ライブラー情報量である。正則化因子として機能し、ルートノード $z_{root}$ の潜在空間を事前分布（通常はガウス分布）に従うよう強制する。これにより潜在空間が滑らかで連続的になり、異なる血管構造間での意味のある補間が可能となる。

ステップ・バイ・ステップの流れ

エンコーディング: プロセスは血管骨格のリーフノードから始まる。モデルは $h_{parent} = \text{MLP}(\text{concat}[v_{parent}, h_{left}, h_{right}])$ に示されるように、MLPを用いて子ノードの特徴を親ノードに集約する。これにより、ツリー全体が単一のグローバル潜在ベクトル $z_{root}$ に圧縮されるまで、ローカルな幾何学的情報が上方へ伝播する。
デコーディング: プロセスは逆行する。$z_{root}$ から開始し、モデルは分類器を使用してノードが子を持つかどうかを決定する。子を持つ場合、子ノードの属性 ($\hat{v}_{left}$) を予測し、隠れ状態を更新して再帰を継続する。
アセンブリ: キーグラフが生成されると、モデルはステージ2に移行し、TransformerベースのVAEが幾何学的記述子 $C$ に条件付けられた各セグメントの特定の3D曲線を生成する。最後に、これらのセグメントはスケーリング、回転、平行移動され、キーグラフと整列し、完全で連続的な3D骨格を形成する。

結果、限界、および結論

実験的検証

著者らは、最先端の点群生成器、TreeDiffusion、VesselVAEという3つのベースライン「犠牲者」に対して、モデルを「容赦なく」テストした。
* 証拠: 著者らは点ベースの指標（JSD, CD）とグラフベースの指標（次数分布、ラプラシアン・スペクトル、グラフ・ワッサースタイン距離）の両方を使用した。
* 結果: PointDiffusionのような点ベースのモデルは強力な再構成指標を示したが、血管のトポロジカルな完全性を維持できず、しばしば断絶した、ブロック状の、あるいは「穴の空いた」メッシュを生成した。提案モデルはグラフベースの指標において一貫して優れた性能を達成し、彼らのパーツベース・アプローチが血管ネットワークの解剖学的連続性を保持する上で著しく優れていることを証明した。

今後の議論のトピック

動的血管系: 現在のモデルは静的な構造に焦点を当てている。このフレームワークを、血管の拍動性や疾患進行に伴う血管ネットワークの動的な変化をモデル化するためにどのように拡張できるか。
流体力学との統合: 本モデルは非常にリアルで解剖学的に整合性のとれた骨格を生成するため、計算流体力学 (CFD) シミュレーションを加速させるための事前知識として使用できるか。
ドメイン横断的な適用可能性: 階層的パーツベース・アプローチは非常に転用性が高いと思われる。このアーキテクチャを、肺の気管支樹や植物の根系など、自然界の他の分岐構造に適応できるか。

本研究は、3D形状を単純な点群として扱うことから脱却し、対象の生物学的な階層構造を尊重しているという点で、大きな前進である。これは、医療データ合成の新たな基準を打ち立てる、巧妙でよく構成されたエンジニアリングの成果である。

Figure 5. compares the generative performance of our approach against the highly competitive TreeDiffusion, using TreeDiffusion’s best-performing samples. As shown, TreeDiffusion often produces irregular, block-like shapes and dis- connected components across all datasets, indicating structural anomalies. In

Figure 5. Examples of generation results from TreeDiffusion and our model on CoW, VascuSynth, and ImageCAS datasets (from top to bottom)

他分野との同型性（Isomorphisms）

3D血管のための階層的パーツベース生成モデルの分析

背景と動機

本論文を理解するには、3Dオブジェクト生成が通常、椅子や車のような「固体」オブジェクト向けに設計された手法によって支配されていることを認識しなければならない。これらのオブジェクトは明確で境界のある表面を持つ。しかし、血管は根本的に異なる。それらは「骨格」（中心線）と半径によって定義される、管状の分岐ネットワークである。点群や陰的フィールドを用いてモデル化しようとする先行の試みは、ツリー構造の厳格なトポロジカル要件を維持できず、「漏れ」のある血管や断絶した枝を生じさせるため、しばしば失敗した。著者らは、血管がローカルな反復的管状セグメントで構成されるグローバルなツリー構造であるという生物学的現実を尊重するモデルを作成する動機を得た。

数学的問題

著者らは、複雑な3Dネットワークを生成するという問題を、2つの明確な数学的タスクに分解することで解決する。
1. グローバル・トポロジー: 分岐構造を二分木として表現する。彼らは再帰的変分オートエンコーダ (RVAE) を使用して、階層全体をエンコードする潜在表現 $z_{root}$ を学習する。エンコードフェーズでは、以下を用いて子ノードの特徴を親ノードに集約する。
$$h_{parent} = \text{MLP}(\text{concat}[v_{parent}, h_{left}, h_{right}])$$
これにより、モデルは幾何学を生成する前にグローバルなレイアウトを「理解」できる。
2. ローカル幾何学: グローバルツリーが設定されると、各エッジ（血管セグメント）が3D曲線として生成される。彼らはこの生成を、長さ、直線距離、曲率、ツリー深度を捉える幾何学的記述子 $C = [\ell, \delta, \kappa, \rho]$ で条件付ける。TransformerベースのVAEを使用することで、各セグメントがグローバルツリー内での割り当てられた役割とローカルに整合していることを保証する。

最終的なアセンブリは、セグメントがグローバルなキーグラフに適合するようにスケーリング、回転、平行移動される決定論的なプロセスであり、最終的な構造が解剖学的に妥当かつトポロジカルに正しいことを保証する。

構造的骨格

グローバルなトポロジカルツリーを、ローカルに制約されたシーケンシャルな幾何学的プリミティブのセットにマッピングする階層的分解メカニズム。

遠い親戚

対象分野: 計算言語学（構文解析）
- 関連性: 本論文の「キーグラフ」生成は、自然言語処理における構成素解析の鏡像である。文がローカルな意味単位（単語/句）で構成されるグローバルな文法的構造（ツリー）を持つように、血管はローカルな幾何学的セグメントで構成されるグローバルな分岐構造を持つ。RVAEは血管解剖学の「文法」として機能する。
対象分野: 構造土木工学（橋梁ネットワーク設計）
- 関連性: 都市規模の橋梁ネットワークを設計するには、グローバルなレイアウト（どのノードがどこに接続するか）とローカルな制約（各橋梁スパンの曲率と耐荷重）が関与する。「ステージ3」のアセンブリプロセスは、プレハブコンポーネントがマスター設計図に適合されるモジュール式建設の直接的な類似物である。

「もしも」のシナリオ

もし構造エンジニアがこの方程式を「盗用」すれば、バイオミメティック（生物模倣）インフラの設計に革命を起こせるだろう。都市の電力網や水道管ネットワークを「血管ツリー」として扱うことで、この生成フレームワークを使用して、材料使用量を最小化しつつ流動効率を最大化する、最適で耐故障性のあるネットワークレイアウトを自動合成できる。画期的な点は、冠動脈が人間の心臓に適応するのと同じくらい自然に地形に適応する「有機的な」都市レイアウトを生成できることであり、建設コストを数百万米ドル削減できる可能性がある。

構造の普遍的ライブラリへの貢献

本論文は、「部分と全体」の階層が普遍的な言語であることを示しており、人体における血液の流れを記述するために使用される数学的論理が、科学の他のあらゆる領域における複雑で分岐する情報システムを組織化するために必要な論理と根本的に同一であることを証明している。