多视图混合图形卷积网络用于心血管MRI中的体积到网状重建
Nicolás Gaggion1, Benjamin A Matheson2, Yan Xia2
1Institute for Signals, Systems, and Computational Intelligence, sinc(i) CONICET-UNL, Santa Fe, Argentina; Institute of Computer Sciences (ICC), CONICET-Universidad de Buenos Aires, Ciudad Autónoma de Buenos Aires, Argentina.
Medical image analysis
|May 30, 2025
概括
混合VNet直接从心血管磁共振成像 (CMR) 中提取3D心脏网格. 这种新的深度学习方法提高了计算心脏病学的准确性和效率,超过了现有的方法.
科学领域:
- 医疗成像医学成像
- 计算心脏病学 计算心脏病学
- 人工智能的人工智能
背景情况:
- 心血管磁共振成像 (CMR) 对于评估心脏结构和功能至关重要.
- 从CMR图像生成3D网格对于计算解剖学和模拟至关重要.
- 目前的方法是多步骤的,耗时的,容易出现错误.
研究的目的:
- 引入HybridVNet,一种用于直接从CMR图像中进行图像到网格提取的新型架构.
- 为了提高心脏成像中的网状生成精度和效率.
- 评估多视图HybridVNet的性能,以改善心脏MR网状生成.
主要方法:
- 开发了HybridVNet,将卷积神经网络与图形卷积集成,用于直接网格提取.
- 实现了处理长轴和短轴CMR数据的多视图架构.
- 结合卷积网络与变量图生成模型,深度监督和网格规范化.
主要成果:
- 通过CMR图像,HybridVNet可以高效地生成高保真度的3D心脏网格.
- 多视图的HybridVNet显著提高了准确性,将平均轮距离减少了约27%,Hausdorff距离减少了约18%.
- 实现了对LV心肌的子系数的~8%的改善,比最先进的方法表现出更高的性能.
结论:
- 混合VNet提供了显著的进步,从CMR产生准确和高效的心脏网格.
- 多视图方法提高了性能,为改进的计算心脏病应用铺平了道路.
- 这项技术有可能加速心脏研究中的生物标志物发现和in-silico模拟.
