用于心血管 MRI 中体到网格重建的多视图混合图卷积网络
图像与视频处理
2025-05-20 v3 计算机视觉与模式识别
摘要
心血管磁共振成像正成为检查心脏形态与功能的关键工具。此项工作的基础是从 CMR 图像导出的解剖学三维表面与体积网格，它们有助于计算解剖学研究、生物标志物发现和计算机仿真。传统方法通常遵循复杂的多步骤流程，先分割图像再重建网格，耗时且易产生误差传播。为此，我们提出 HybridVNet，一种用于直接图像到网格提取的新颖架构，将标准卷积神经网络与图卷积无缝集成，我们证明可通过将表面和体积网格编码为图结构来高效处理它们。为进一步提升精度，我们提出了多视图 HybridVNet 架构，处理长轴与短轴 CMR，表明其可提高心脏 MR 网格生成性能。我们的模型将传统卷积网络与变分图生成模型、深度监督和网格特定正则化相结合。在 UK Biobank 综合数据集上的实验证实了 HybridVNet 通过从 CMR 图像高效生成高保真网格来显著推进心脏成像与计算心脏学的潜力。多视图 HybridVNet 优于当前最优方法，在平均轮廓距离上实现高达 27% 的降低（左心室心肌从 1.86 mm 到 1.35 mm），在豪斯多夫距离上高达 18% 的改进（左心室心内膜从 4.74 mm 到 3.89 mm），在 Dice 系数上高达 8%（左心室心肌从 0.78 到 0.84），凸显了其卓越的准确性。
引用
@article{arxiv.2311.13706,
title = {Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI},
author = {Nicolás Gaggion and Benjamin A. Matheson and Yan Xia and Rodrigo Bonazzola and Nishant Ravikumar and Zeike A. Taylor and Diego H. Milone and Alejandro F. Frangi and Enzo Ferrante},
journal= {arXiv preprint arXiv:2311.13706},
year = {2025}
}