FusionNet：用于 4D 心脏模型的帧插值网络
计算机视觉与模式识别
2026-03-16 v1 机器学习
摘要
心脏磁共振成像（CMR）广泛用于可视化心脏运动和诊断心脏疾病。然而，标准 CMR 成像需要患者在嘈杂机器中保持静止 40-60 分钟，这会增加患者不适感。此外，缩短扫描时间会降低其temporal 和 spatial 分辨率，从而影响程序的诊断准确性。本文聚焦于减少的temporal 分辨率问题，提出一种名为 FusionNet 的神经网络，从短时间内捕获的 CMR 图像中获得具有高temporal 分辨率的四维（4D）心脏运动。该模型基于相邻形状估计中间 3D 心脏形状。对所提 FusionNet 模型的实验评估结果表明，其 Dice 系数绩效超过 0.897，证明其比现有方法能够更精确地恢复形状。该代码可在 https://github.com/smiyauchi199/FusionNet.git 获取。
引用
@article{arxiv.2603.10212,
title = {FusionNet: a frame interpolation network for 4D heart models},
author = {Chujie Chang and Shoko Miyauchi and Ken'ichi Morooka and Ryo Kurazume and Oscar Martinez Mozos},
journal= {arXiv preprint arXiv:2603.10212},
year = {2026}
}
备注
This is the authors' version. The final authenticated version is available online at https://doi.org/10.1007/978-3-031-47425-5_4. Published in Medical Image Computing and Computer Assisted Intervention - MICCAI 2023 Workshops