面向揭示正常心脏动力学的个性化时序3D网格生成模型

了解心脏的结构和运动状态对于诊断和管理全球死亡原因前列不久的心血管疾病至关重要。心脏形状和运动模式存在很大差异，这些差异受到人口统计学因素、生物学尺寸因素和疾病因素的影响。弄清正常的形状和运动模式，以及了解每个个体如何偏离正常模式，将有助于进行准确诊断和制定个性化治疗方案。为此，我们开发了一种条件生成模型MeshHeart，用于学习左心室和右心室的形状和运动模式的分布。为了建模高维时空网格数据，MeshHeart采用几何编码器将心脏网格表示为潜在空间中的表示，并使用时序Transformer来建模潜在表示的运动动力学。基于MeshHeart，我们研究了3D+t心脏网格序列的潜在空间，提出了一种距离度量——潜在delta，其量化了真实心脏与其个人化规范模式之间的偏离程度。在使用来自英国生物库的38,309名受试者的大型心脏磁共振成像数据集进行实验后，MeshHeart在心脏网格序列的重建和生成方面表现出高性能。潜在空间特征对心脏疾病分类具有辨识力，而潜在delta在表型全关联研究中与临床表型呈现强相关性。我们公开了代码和训练好的模型，以支持进一步的研究。