SDF4CHD:具有先天性心脏缺陷的心脏解剖学的生成建模
Fanwei Kong1, Sascha Stocker2, Perry S Choi3
1Institute for Computational and Mathematical Engineering, Stanford University, Stanford, CA, USA; Department of Pediatrics, Stanford University, Stanford, CA, USA; Cardiovascular Institute, Stanford University, Stanford, CA, USA.
Medical image analysis
|August 15, 2024
概括
这项研究引入了一种新的深度学习方法,用于生成现实的虚拟患者数据,用于先天性心脏病 (CHD) 研究. 这种方法有助于通过创建多样化的解剖模型来理解和治疗罕见的心脏病.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 先天性心脏病 (CHD) 提出了各种不同的解剖学挑战,需要个性化治疗.
- 深度学习 (DL) 为正常解剖结构自动化心脏细分,但与罕见的CHD变异作斗争.
- 现有的心脏解剖学的生成模型并没有针对心脏病的拓复杂性进行优化.
研究的目的:
- 开发一种脱而出的生成DL方法,用于合成各种CHD心脏解剖学.
- 为了捕捉CHD的特定类型异常和形状变化.
- 为改善心血管疾病诊断,治疗计划和研究而创建虚拟队列.
主要方法:
- 使用签名距离字段 (SDF) 进行类型和形状解的生成DL模型.
- 学习了可逆变形,从通用的CHD解剖学中重建患者特定的形状.
- 在67名患者的数据集上进行培训,涉及6种心脏病类型和14种组合.
主要成果:
- 该方法成功地捕获了跨CHD类型和中间状态的解剖学变异.
- 在CHD解剖学生成 (类型正确性,形状可信性) 中取得了卓越的性能.
- 为重建未见的心脏解剖学证明了可比的概括.
- 显示了数据增强的潜力,以提高罕见心血管疾病的细分精度.
- 启用了CHD心脏网格的生成,用于计算模拟.
结论:
- 拟议的DL方法有效地模拟了CHD解剖学的范围.
- 这种方法可以生成用于研究和临床应用的高保真度虚拟CHD数据集.
- 它有助于更好地了解心脏病对心脏功能的影响,并增强诊断工具.
