基于高斯过程潜在编码的双向递归心脏运动跟踪
计算机视觉与模式识别
2024-10-29 v1
摘要
心脏运动的定量分析对于评估心脏功能至关重要。这种分析通常使用 MRI 和超声心动图等成像方式，在整个心跳周期中捕获详细的图像序列。以往的方法主要侧重于图像对的分析，缺乏对运动动力学和空间变异性的考虑。因此，这些方法往往忽略了心脏的长期关系和局部运动特征。为了克服这些局限性，我们引入了 \textbf{GPTrack}，一种新颖的无监督框架，旨在充分探索心脏运动的时间和空间动态。GPTrack 通过在潜在空间中采用序列高斯过程并在每个时间戳通过空间信息编码统计量来增强运动跟踪，这稳健地促进了心脏动力学的时间一致性和空间变异性。此外，我们创新地以双向递归方式聚合序列信息，模仿微分同胚配准的行为，以更好地捕捉跨心脏区域（如心室和心房）一致的长期运动关系。我们的 GPTrack 在 3D 和 4D 医学图像中显著提高了运动跟踪的精度，同时保持了计算效率。代码获取地址：https://github.com/xmed-lab/GPTrack
引用
@article{arxiv.2410.20752,
title = {Bidirectional Recurrence for Cardiac Motion Tracking with Gaussian Process Latent Coding},
author = {Jiewen Yang and Yiqun Lin and Bin Pu and Xiaomeng Li},
journal= {arXiv preprint arXiv:2410.20752},
year = {2024}
}
备注
Paper Accepted by NeurIPS 2024