基于几何编码与生成式数据增强的低数据稀缺情境下的数据驱动心脏力学代理模型

高保真的心脏力学计算模型提供了对心脏功能的机制性见解，但在常规临床应用中计算代价高昂。代理模型可加速仿真，但在面对不同解剖结构时泛化能力受挑战，尤其是在数据稀缺的情境下。我们提出了一个两步框架，使几何表示与物理响应学习解耦，以实现数据稀缺条件下的几何感知代理建模。首先，一个形状模型学习左心室解剖结构的紧凑潜在表示。学习得到的潜在空间有效地编码了解剖结构，并可用于生成合成解剖结构进行数据增强。其次，一个基于神经场的代理模型在该几何编码条件下训练，用于预测外部加载下的心室位移。该架构采用通用心室坐标进行位置编码，以提高跨不同解剖结构的泛化能力。几何变异通过两种替代策略进行编码，这两种策略在实验中进行了系统比较：一种适用于点云表示的基于主成分分析 (PCA) 的方法，另一种是从点云直接学习的 DeepSDF 隐式神经表示。总体而言，我们的结果基于理想化和患者特异数据，表明所提出的方法能够实现准确预测，对未见解剖结构实现泛化，并对噪声或稀疏采样输入具有鲁棒性。