HeartUnloadNet：用于从舒张状态预测未受载心脏几何的弱监督循环一致图网络

未受载心脏几何（即无腔隙压力的心脏状态）作为零应力、零应变的参考基准，对个性化心脏生物力学模型至关重要，这对于理解健康与疾病生理以及预测心脏干预效果都有重要作用。然而，从临床影像中估计未受载几何仍是一个具有挑战性的任务。传统方法依赖逆向有限元（FE）求解器，需要迭代优化且计算成本高昂。本文引入 HeartUnloadNet，一个深度学习框架，可直接从舒张末期（ED）网格预测未受载左心室（LV）形状，同时显式融合生物物理学先验知识。该网络接受大小任意的网格输入，以及如舒张压、心肌刚性比例和纤维螺旋角等生理参数，输出对应的未受载网格。它采用图注意力架构，并采用循环一致性策略实现双向（加载与卸载）预测，实现部分自监督，提高精度并降低大规模训练数据集的需求。我们在 diverse LV 几何和生理条件下的 20,700 个 FE 模拟中进行训练和测试，HeartUnloadNet 实现亚毫米精度，平均 DSC 为 0.986，HD 为 0.083 cm，推理时间仅为 0.02 秒/例，速度远超传统逆向 FE 求解器超过 10^5 倍且显著更准确。消融实验确认了该架构的有效性。值得注意的是，循环一致设计使得即使仅使用 200 个训练样本，模型也能保持 97% 的 DSC。本工作因此为逆向 FE 求解器提供了一个可扩展且精确的替代方案，支持未来在临床中的实时应用。