要約
心臓の主な原因である心血管疾患の診断と管理には、心臓の構造と動きを理解することが重要です。
人口統計、人体測定因子、疾患因子の影響を受ける心臓の形状と運動パターンには大きなばらつきがあります。
形状と動きの通常のパターンを解明し、各個人が標準からどのように逸脱するかを理解することで、正確な診断と個別化された治療戦略が促進されます。
この目的のために、心臓の左右の心室の形状と運動パターンの分布を学ぶために、条件付き生成モデルMeshheartを開発しました。
高次元の時空間メッシュデータをモデル化するために、MeshHeartは幾何学的エンコーダーを使用して潜在空間の心臓メッシュを表し、潜在表現の動きのダイナミクスをモデル化するための時間的変圧器を使用します。
Meshheartに基づいて、3D+Tの心臓メッシュシーケンスの潜在空間を調査し、その個別化された規範パターンからの実際の心臓の偏差を定量化する距離メトリックである潜在デルタを提案します。
英国Biobankの38,309人の被験者の大規模な心磁気共鳴画像データセットを使用した実験では、Meshheartは心臓メッシュシーケンスの再構築と生成の高性能を示しています。
潜在スペースの特徴は、心臓病分類の識別的ですが、潜在的なデルタはフェノム全体の関連研究で臨床表現型と強い相関関係を示します。
コードと訓練されたモデルは、さらなる研究をサポートするためにリリースされます。
要約(オリジナル)
Understanding the structure and motion of the heart is crucial for diagnosing and managing cardiovascular diseases, the leading cause of global death. There is wide variation in cardiac shape and motion patterns, influenced by demographic, anthropometric and disease factors. Unravelling normal patterns of shape and motion, and understanding how each individual deviates from the norm, would facilitate accurate diagnosis and personalised treatment strategies. To this end, we developed a conditional generative model, MeshHeart, to learn the distribution of shape and motion patterns for the left and right ventricles of the heart. To model the high-dimensional spatio-temporal mesh data, MeshHeart employs a geometric encoder to represent cardiac meshes in a latent space, and a temporal Transformer to model the motion dynamics of latent representations. Based on MeshHeart, we investigate the latent space of 3D+t cardiac mesh sequences and propose a distance metric, latent delta, which quantifies the deviation of a real heart from its personalised normative pattern. In experiments using a large cardiac magnetic resonance image dataset of 38,309 subjects from the UK Biobank, MeshHeart demonstrates high performance in cardiac mesh sequence reconstruction and generation. Latent space features are discriminative for cardiac disease classification, whereas latent delta exhibits strong correlations with clinical phenotypes in phenome-wide association studies. The code and the trained model are released to support further research.
arxiv情報
| 著者 | Mengyun Qiao,Kathryn A McGurk,Shuo Wang,Paul M. Matthews,Declan P O Regan,Wenjia Bai |
| 発行日 | 2025-06-02 09:43:09+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google