DeepMesh:使用深度学习进行基于网状的心脏运动跟踪

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 计算解剖学的计算解剖学

背景情况:

• 从心磁共振 (CMR) 图像中精确的3D运动估计对于诊断心血管疾病和评估心脏功能至关重要.
• 当前的方法经常估计图像空间中的密集运动场,忽视了心脏内的解剖相关性.
• 有需要的方法集中运动估计在特定的解剖结构的兴趣.

研究的目的:

• 介绍DeepMesh,这是一个新的学习框架,用于从CMR图像中3D心脏运动估计.
• 以3D网格来建模心脏,并对个体受试者估计心脏的运动.
• 从多个视图中利用2D CMR数据进行强大的3D网状重建和运动跟踪.

主要方法:

• 使用心脏和内心表面的3D网格来建模心脏.
• 将模板心状网扩散到特定主题空间,并重建末端透析框架网格.
• 从2D短轴和长轴CMR图像中估计基于网格的3D运动场,使用可差异化的网格到图像拉斯特化器.
• 保持跨时间框架的顶点对应性,以进行定量功能评估.

主要成果:

• DeepMesh成功地重建了对象特定的心脏网格,并从CMR图像中估计了3D运动.
• 该方法利用多视图的2D形状信息进行准确的3D网状重建和运动估计.
• 对英国生物银行CMR数据的定量和质量评估表明,与现有方法相比,其性能优越.
• 专注于左心室的3D运动估计显示出显著的改善.

结论:

• DeepMesh 提供了一种强大而准确的方法,用于使用CMR成像进行3D心脏运动估计.
• 基于网格的框架提供一致的顶点对应,使得精确的心脏功能分析.
• 这种新的方法在心脏运动跟踪方面优于传统的基于图像和其他基于网状网的技术.