Generative Myocardial Motion Tracking via Latent Space Exploration with Biomechanics-informed Prior

要約

心筋の運動と変形は、心機能を特徴付ける豊富な記述子である。心筋の動きを追跡するために最もよく使われる手法である画像レジストレーションは、しばしば解空間に対する事前仮定を必要とする不定型な逆問題である。本研究では、平滑化などの一般的な正則化を明示的に課す既存の手法とは対照的に、アプリケーション固有のバイオメカニクスに基づく事前分布を暗黙的に学習し、それをニューラルネットワークパラメータ化した変換モデルに埋め込むことができる新しい手法を提案する。特に、提案手法は変分オートエンコーダーに基づく生成モデルを活用し、バイオメカニクス的に妥当な変形の多様性を学習する。そして、学習された多様体をトラバースすることで、シーケンス情報を考慮しながら最適な変形を探索し、モーショントラッキングを行うことができる。提案手法を3つの心臓シネMRIデータセットで検証し、包括的な評価を行った。その結果、提案手法は他の手法を凌駕し、適度なボリューム保存を伴う高い運動追跡精度と、様々なデータ分布に対する優れた一般化性をもたらすことが実証された。また、心筋の歪みをより適切に推定することができ、心血管疾患を理解するための時空間シグネチャを特徴付ける手法としての可能性を示している。

要約(オリジナル)

Myocardial motion and deformation are rich descriptors that characterize cardiac function. Image registration, as the most commonly used technique for myocardial motion tracking, is an ill-posed inverse problem which often requires prior assumptions on the solution space. In contrast to most existing approaches which impose explicit generic regularization such as smoothness, in this work we propose a novel method that can implicitly learn an application-specific biomechanics-informed prior and embed it into a neural network-parameterized transformation model. Particularly, the proposed method leverages a variational autoencoder-based generative model to learn a manifold for biomechanically plausible deformations. The motion tracking then can be performed via traversing the learnt manifold to search for the optimal transformations while considering the sequence information. The proposed method is validated on three public cardiac cine MRI datasets with comprehensive evaluations. The results demonstrate that the proposed method can outperform other approaches, yielding higher motion tracking accuracy with reasonable volume preservation and better generalizability to varying data distributions. It also enables better estimates of myocardial strains, which indicates the potential of the method in characterizing spatiotemporal signatures for understanding cardiovascular diseases.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL