CardioMorphNet：基于形状引导的贝叶斯循环深度网络用于心脏运动预测
计算机视觉与模式识别
2025-08-29 v1
摘要
从 cine 心脏磁共振（CMR）图像中精准估计心脏运动对于评估心脏功能和检测异常至关重要。现有方法常因依赖强度基准的图像配准相似性损失而难以准确捕捉心脏运动，可能忽略心脏解剖区域。为此，我们提出CardioMorphNet，这是一个用于基于短轴（SAX）CMR图像的3D心脏形状引导可变形配准的循环贝叶斯深度学习框架。它采用循环变分自编码器对心脏周期内的时空依赖性进行建模，并包含两个后验模型用于双心室分割和运动估计。由贝叶斯公式推导的损失函数引导框架在不使用强度基准的图像配准相似性损失的情况下，通过递归配准分割图聚焦于解剖区域，同时利用序数SAX体数据和时空特征。贝叶斯建模还使能够计算估计运动场的不确定性图。经在UK Biobank数据集上验证，通过将配准后的掩模形状与真实掩模进行比较，CardioMorphNet在心脏运动估计方面表现优异，超过了当前最先进的方法。不确定性评估显示，其在心脏区域的估计运动场不确定性值也低于其他基于概率的心脏配准方法，表明其预测具有更高的信心。
引用
@article{arxiv.2508.20734,
title = {CardioMorphNet: Cardiac Motion Prediction Using a Shape-Guided Bayesian Recurrent Deep Network},
author = {Reza Akbari Movahed and Abuzar Rezaee and Arezoo Zakeri and Colin Berry and Edmond S. L. Ho and Ali Gooya},
journal= {arXiv preprint arXiv:2508.20734},
year = {2025}
}