Modeling 3D cardiac contraction and relaxation with point cloud deformation networks

要約

駆出率など、臨床現場で通常使用される心臓機能のグローバル単一値バイオマーカーは、真の 3D 心臓変形プロセスに関する洞察が限られているため、健康な心臓と病理学的な心臓の仕組みの両方についての理解が制限されます。
この研究では、心周期の両端間の心臓の収縮と弛緩を 3D モデル化するための新しい幾何学的深層学習アプローチとして、点群変形ネットワーク (PCD-Net) を提案します。
これは、心臓の解剖学的構造のマルチクラス 3D 点群表現で直接効率的なマルチスケール特徴学習を可能にするために、点群ベースの深層学習の最近の進歩をエンコーダ – デコーダ構造に採用しています。
私たちは、英国バイオバンク研究からの 10,000 例を超える大規模なデータセットでアプローチを評価し、基礎となる画像取得のピクセル解像度未満で、予測された解剖学的構造とグランド トゥルースの解剖学的構造の間の平均面取り距離を見つけます。
さらに、予測母集団とグランドトゥルース母集団の間で同様の臨床指標が観察され、PCD-Net が正常被験者と心筋梗塞 (MI) 患者の間の部分母集団固有の差異を首尾よく捕​​捉できることを示します。
次に、学習された 3D 変形パターンが、流行性心筋梗塞の検出と心筋梗塞の発生予測のタスクについては受信機動作特性曲線の下の面積に関して 13% および 7%、心筋梗塞生存率分析についてのハレルの一致指数に関しては 7% 、複数の臨床ベンチマークよりも優れていることを実証します。

要約(オリジナル)

Global single-valued biomarkers of cardiac function typically used in clinical practice, such as ejection fraction, provide limited insight on the true 3D cardiac deformation process and hence, limit the understanding of both healthy and pathological cardiac mechanics. In this work, we propose the Point Cloud Deformation Network (PCD-Net) as a novel geometric deep learning approach to model 3D cardiac contraction and relaxation between the extreme ends of the cardiac cycle. It employs the recent advances in point cloud-based deep learning into an encoder-decoder structure, in order to enable efficient multi-scale feature learning directly on multi-class 3D point cloud representations of the cardiac anatomy. We evaluate our approach on a large dataset of over 10,000 cases from the UK Biobank study and find average Chamfer distances between the predicted and ground truth anatomies below the pixel resolution of the underlying image acquisition. Furthermore, we observe similar clinical metrics between predicted and ground truth populations and show that the PCD-Net can successfully capture subpopulation-specific differences between normal subjects and myocardial infarction (MI) patients. We then demonstrate that the learned 3D deformation patterns outperform multiple clinical benchmarks by 13% and 7% in terms of area under the receiver operating characteristic curve for the tasks of prevalent MI detection and incident MI prediction and by 7% in terms of Harrell’s concordance index for MI survival analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google