Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI

要約

心血管磁気共鳴画像法は、心臓の形態と機能を調べるための重要なツールとして浮上しています。
この努力に不可欠なのは、CMR画像に由来する解剖学的3D表面と体積メッシュであり、計算解剖学の研究、バイオマーカーの発見、およびシリコ内シミュレーションを促進します。
従来のアプローチは通常、複雑なマルチステップパイプラインに従い、最初に画像をセグメント化してからメッシュを再構築して、時間がかかり、エラー伝播を起こしやすくします。
これに応じて、標準の畳み込み式ニューラルネットワークをグラフ畳み込みとシームレスに統合する直接画像間抽出のための新しいアーキテクチャであるHybridVnetを紹介します。
精度をさらに向上させるために、長軸と短軸CMRの両方を処理するマルチビューハイブリッドヴネットアーキテクチャを提案し、心臓MRメッシュの生成の性能を向上させることができることを示します。
私たちのモデルでは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督、メッシュ固有の正則化を組み合わせています。
英国のバイオバンクの包括的なデータセットでの実験は、CMR画像から高忠実度のメッシュを効率的に生成することにより、ハイブリッドヴネットの可能性を確認します。
Multi-View HybridVnetは、最先端の輪郭距離（LV心筋の場合は1.86 mmから1.35 mm）、最大$ \ SIM $ 18 \％の改善）の平均輪郭距離の最大$ 27 \％の削減を達成し、最大$ 27 \％の削減を達成します。
サイコロ係数（LV心筋の場合は0.78から0.84）の$ \ sim $ 8 \％）は、その優れた精度を強調しています。

要約(オリジナル)

Cardiovascular magnetic resonance imaging is emerging as a crucial tool to examine cardiac morphology and function. Essential to this endeavour are anatomical 3D surface and volumetric meshes derived from CMR images, which facilitate computational anatomy studies, biomarker discovery, and in-silico simulations. Traditional approaches typically follow complex multi-step pipelines, first segmenting images and then reconstructing meshes, making them time-consuming and prone to error propagation. In response, we introduce HybridVNet, a novel architecture for direct image-to-mesh extraction seamlessly integrating standard convolutional neural networks with graph convolutions, which we prove can efficiently handle surface and volumetric meshes by encoding them as graph structures. To further enhance accuracy, we propose a multi-view HybridVNet architecture which processes both long axis and short axis CMR, showing that it can increase the performance of cardiac MR mesh generation. Our model combines traditional convolutional networks with variational graph generative models, deep supervision and mesh-specific regularisation. Experiments on a comprehensive dataset from the UK Biobank confirm the potential of HybridVNet to significantly advance cardiac imaging and computational cardiology by efficiently generating high-fidelity meshes from CMR images. Multi-view HybridVNet outperforms the state-of-the-art, achieving improvements of up to $\sim$27\% reduction in Mean Contour Distance (from 1.86 mm to 1.35 mm for the LV Myocardium), up to $\sim$18\% improvement in Hausdorff distance (from 4.74 mm to 3.89mm, for the LV Endocardium), and up to $\sim$8\% in Dice Coefficient (from 0.78 to 0.84, for the LV Myocardium), highlighting its superior accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google