DeepMesh: Mesh-based Cardiac Motion Tracking using Deep Learning
DeepMesh: Mesh-based Cardiac Motion Tracking using Deep Learning
复制标题
DeepMesh：使用深度学习的基于网格的心脏运动跟踪
DOI：
10.1109/tmi.2023.3340118
复制
发表时间：
2023
影响因子：
10.6
通讯作者：
Meng Q
中科院分区：
文献类型：
--
作者：
Meng Q
基于电影心脏磁共振（CMR）图像的三维运动估计对于心功能评估和心血管疾病的诊断具有重要意义。目前最先进的方法集中于估计图像空间中密集的像素/体素运动场，这忽略了运动估计仅在感兴趣的解剖对象（例如心脏）内相关和有用的事实。在这项工作中，我们将心脏建模为由心内膜表面和心内膜表面组成的3D网格。我们提出了一种新的学习框架，DeepMesh，它将模板心脏网格传播到主题空间，并从单个主题的CMR图像中估计心脏网格的3D运动。在DeepMesh中，首先从模板网格重构个体受试者舒张末期框架的心脏网格。基于网格的三维运动场相对于舒张末期帧，然后从2D短轴和长轴CMR图像估计。通过开发一个可微分的网格到图像光栅器，DeepMesh能够利用来自多个解剖视图的2D形状信息进行3D网格重建和网格运动估计。提出的方法估计顶点方向位移，从而保持时间框架之间的顶点对应，这对于不同受试者和人群的心功能定量评估很重要。我们在英国生物银行获得的CMR图像上评估DeepMesh。在这项工作中，我们主要关注左心室的三维运动估计。实验结果表明，该方法在定量和定性上都优于其他基于图像和网格的心脏运动跟踪方法。
3D motion estimation from cine cardiac magnetic resonance (CMR) images is important for the assessment of cardiac function and the diagnosis of cardiovascular diseases. Current state-of-the art methods focus on estimating dense pixel-/voxel-wise motion fields in image space, which ignores the fact that motion estimation is only relevant and useful within the anatomical objects of interest, e.g., the heart. In this work, we model the heart as a 3D mesh consisting of epi- and endocardial surfaces. We propose a novel learning framework, DeepMesh, which propagates a template heart mesh to a subject space and estimates the 3D motion of the heart mesh from CMR images for individual subjects. In DeepMesh, the heart mesh of the end-diastolic frame of an individual subject is first reconstructed from the template mesh. Mesh-based 3D motion fields with respect to the end-diastolic frame are then estimated from 2D short- and long-axis CMR images. By developing a differentiable mesh-to-image rasterizer, DeepMesh is able to leverage 2D shape information from multiple anatomical views for 3D mesh reconstruction and mesh motion estimation. The proposed method estimates vertex-wise displacement and thus maintains vertex correspondences between time frames, which is important for the quantitative assessment of cardiac function across different subjects and populations. We evaluate DeepMesh on CMR images acquired from the UK Biobank. We focus on 3D motion estimation of the left ventricle in this work. Experimental results show that the proposed method quantitatively and qualitatively outperforms other image-based and mesh-based cardiac motion tracking methods.
登录
查看更多内容
DOI：
10.1007/978-3-030-59716-0_29
发表时间：
2020-06
期刊：
ArXiv
影响因子：
--
作者：
C. Qin;Shuo Wang;Chen Chen-Chen;Huaqi Qiu;Wenjia Bai;D. Rueckert
通讯作者：
C. Qin;Shuo Wang;Chen Chen-Chen;Huaqi Qiu;Wenjia Bai;D. Rueckert
影响因子：
10.9
作者：
Tobon-Gomez, C.;De Craene, M.;Rhode, K. S.
通讯作者：
Rhode, K. S.
英国生物样本库的自动 3D t 四室 CMR 量化：大规模整合成像和非成像数据先验
影响因子：
10.9
作者：
Yan Xia;Xiang Chen;N. Ravikumar;C. Kelly;R. Attar;N. Aung;S. Neubauer;S. Petersen;Alejandro F Frangi
通讯作者：
Alejandro F Frangi
影响因子：
10.9
作者：
Joyce, Thomas;Buoso, Stefano;Kozerke, Sebastian
通讯作者：
Kozerke, Sebastian
使用 3D U-Net 高精度提取气管和支气管
DOI：
--
发表时间：
2023
期刊：
影响因子：
--
作者：
小笠 竜哉;黒田 陸斗;河田 佳樹;鈴木 秀宣;松元 祐司;土田 敬明;楠本 昌彦;仁木 登
通讯作者：
仁木 登