MV-GNN:从3D+t心声回声学中生成中枢运动的连续几何表示

科学领域:

• 医疗成像医学成像
• 计算生物学 计算生物学
• 人工智能的人工智能

背景情况:

• 准确的3D重建中枢对于理解其动力学和个性化的血液动力学模拟至关重要.
• 现有的方法很难从3D透食管心声学 (3D TEE) 中提供时间连续和几何精确的中枢模型.

研究的目的:

• 开发和验证一种新的几何深度学习方法,用于从3D TEE序列中重建时间连续的中枢表面网格.
• 为了提高中枢运动表现的准确性和连续性,以进行增强的分析和模拟.

主要方法:

• 一个受监督的,端到端的深度学习架构,结合了卷积神经网络 (CNN) 和图形神经网络 (GNN).
• 采用了管状原型网格,专门的损失功能保护入口/出口并防止自我交叉,以及对解剖学地标的刚性对齐.
• 在3D TEE数据中的稀疏地标注释上训练了中枢图神经网络 (MV-GNN).

主要成果:

• 与现有的深度学习方法相比,MV-GNN模型在中枢 annules 和 leaflets 的关键距离指标上表现出优异的性能.
• 产生的3D+时间 (3D+t) 连续门运动表示与距离测量相当于静态3D重建.
• 废弃性研究证实了单个损失函数组件在提高模型性能方面的有效性.

结论:

• 拟议的几何深度学习方法有效地从3D TEE中重建临时连续的中枢网.
• MV-GNN显示出有很大的潜力,可以推进对二手动态的分析,并为临床应用提供更个性化的血液动力学模拟.