用点云形变网络建模 3D 心脏收缩与舒张
图像与视频处理
2023-07-21 v1 计算机视觉与模式识别
机器学习
摘要
临床中常用的心脏功能全局单值生物标志物（如射血分数）对真实 3D 心脏形变过程的洞察有限，从而限制了对健康与病理心脏力学的理解。本工作中，我们提出点云形变网络（PCD-Net）作为一种新颖的几何深度学习方法，以建模心动周期两端之间的 3D 心脏收缩与舒张。它将近期基于点云的深度学习的进展引入编码器-解码器结构，从而直接在心脏解剖的多类 3D 点云表示上实现高效多尺度特征学习。我们在一个来自 UK Biobank 研究超过 10,000 例的大规模数据集上评估我们的方法，发现预测与真实解剖之间的平均 Chamfer 距离低于底层图像采集的像素分辨率。此外，我们观察到预测与真实人群之间相似的临床指标，并展示 PCD-Net 能成功捕获正常受试者与心肌梗死（MI）患者之间的亚群体特异性差异。然后我们证明，在既往 MI 检测与首发 MI 预测任务中，所学 3D 形变模式以受试者工作特征曲线下面积计分别优于多个临床基准 13% 与 7%，在 MI 生存分析中以 Harrell's 一致性指数计优于 7%。
引用
@article{arxiv.2307.10927,
title = {Modeling 3D cardiac contraction and relaxation with point cloud deformation networks},
author = {Marcel Beetz and Abhirup Banerjee and Vicente Grau},
journal= {arXiv preprint arXiv:2307.10927},
year = {2023}
}