基于物理信息神经网络的 WarpPINN-fibers：从 cine-MR 估改进心脏应变
图像与视频处理
2025-09-12 v1 机器学习
医学物理
摘要
心脏的 contractile motion 严重取决于构成心肌组织的纤维分布。以纤维方向信息进行应变分析可描述通常与心肌机械功能受损相关的多种疾病。已developed多种方法从传统影像技术中估计应变衍生指标。然而，这些方法所基于的物理模型不包含纤维力学，限制了其准确解释心脏功能的能力。在本工作中，我们引入 WarpPINN-fibers，一种基于物理信息神经网络的框架，通过纤维信息准确获取心脏运动和应变。我们训练神经网络以满足 hyper-elastic 模型并促进纤维收缩，以预测心脏从 cine 磁共振影像中的变形场。为此，我们构建由三个损失项组成的 loss function：reference 与 warped template 图像之间的 data-similarity loss，强制心肌组织 near-incompressibility 的 regularizer，以及控制纤维方向应变的 fiber-stretch penalization。我们展示了我们的神经网络改进了前一种 WarpPINN 模型，有效控制了合成幽灵实验中的纤维应变。随后，我们证明 WarpPINN-fibers 在包含 15 名健康志愿者的 cine-MRI 基准数据集中优于替代方法，表现出在地标跟踪和应变曲线预测方面的优势。我们预计该方法将通过与纤维生理学一致的准确变形场实现更精确的心脏应变定量，而无需比 MRI 更复杂的影像技术。
引用
@article{arxiv.2509.08872,
title = {WarpPINN-fibers: improved cardiac strain estimation from cine-MR with physics-informed neural networks},
author = {Felipe Álvarez Barrientos and Tomás Banduc and Isabeau Sirven and Francisco Sahli Costabal},
journal= {arXiv preprint arXiv:2509.08872},
year = {2025}
}