从运动到意义：基于生物力学的神经网络用于可解释的心血管疾病识别
机器学习
2025-07-09 v1
摘要
心血管疾病是全球死亡和患病率的主要原因之一，这需要准确和及时的诊断策略。本研究引入了一种创新方法，将深度学习图像配准与物理信息正则化相结合，用于预测移动心脏组织的生物力学属性，并提取用于疾病分类的特征。我们采用Neo-Hookean材料的能量应变公式来建模心脏组织变形，在确保其物理和生物力学一致性的同时优化变形场。这种可解释的方法不仅提高了图像配准准确性，还提供了关于心脏组织生物力学过程的洞见。在Automated Cardiac Diagnosis Challenge (ACDC) 数据集上的评估结果显示，左心室腔室的Dice得分达到0.945，右心室腔室的Dice得分达到0.908，心肌的Dice得分达到0.905。随后，我们对移动心脏中的局部应变进行估计，并提取一套详细的特征用于心血管疾病分类。我们评估了五种分类算法——逻辑回归、多层感知器、支持向量分类器、随机森林和最近邻分类器，并使用特征选择算法识别最相关的特征。最佳分类器在ACDC数据集的训练集上获得98%的分类准确率，在测试集上达到100%。通过集成可解释人工智能，本方法为临床医生提供了基于心脏力学的模型预测透明理解，同时显著提高了心脏疾病诊断的准确性和可靠性，为更个性化和有效的患者护理铺平了道路。
引用
@article{arxiv.2507.05783,
title = {From Motion to Meaning: Biomechanics-Informed Neural Network for Explainable Cardiovascular Disease Identification},
author = {Comte Valentin and Gemma Piella and Mario Ceresa and Miguel A. Gonzalez Ballester},
journal= {arXiv preprint arXiv:2507.05783},
year = {2025}
}