論文の概要: A Personalised 3D+t Mesh Generative Model for Unveiling Normal Heart Dynamics
- arxiv url: http://arxiv.org/abs/2409.13825v1
- Date: Fri, 20 Sep 2024 18:08:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 05:01:49.633736
- Title: A Personalised 3D+t Mesh Generative Model for Unveiling Normal Heart Dynamics
- Title（参考訳）: 正常心のダイナミクスを解き放つためのパーソナライズされた3D+tメッシュ生成モデル
- Authors: Mengyun Qiao, Kathryn A McGurk, Shuo Wang, Paul M. Matthews, Declan P O Regan, Wenjia Bai,
- Abstract要約: 心臓の形状と運動パターンの分布を学習するために,条件付き生成モデルであるMeshHeartを開発した。
MeshHeartは、年齢、性別、体重、高さなどの臨床的要因を考慮して、3D+t心筋メッシュ配列を生成することができる。
本稿では,個人化規範パターンから実際の心臓の偏差を定量化する,新しい距離測定式潜時デルタを提案する。
- 参考スコア（独自算出の注目度）: 6.6350578770951385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 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, that are influenced by demographic, anthropometric and disease factors. Unravelling the normal patterns of shape and motion, as well as understanding how each individual deviates from the norm, would facilitate accurate diagnosis and personalised treatment strategies. To this end, we developed a novel conditional generative model, MeshHeart, to learn the distribution of cardiac shape and motion patterns. MeshHeart is capable of generating 3D+t cardiac mesh sequences, taking into account clinical factors such as age, sex, weight and height. To model the high-dimensional and complex spatio-temporal mesh data, MeshHeart employs a geometric encoder to represent cardiac meshes in a latent space, followed by 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 novel distance metric termed latent delta, which quantifies the deviation of a real heart from its personalised normative pattern in the latent space. In experiments using a large dataset of 38,309 subjects, MeshHeart demonstrates a high performance in cardiac mesh sequence reconstruction and generation. Features defined in the latent space are highly discriminative for cardiac disease classification, whereas the latent delta exhibits strong correlation with clinical phenotypes in phenome-wide association studies. The codes and models of this study will be released to benefit further research on digital heart modelling.
- Abstract（参考訳）: 心臓の構造と運動を理解することは、心臓血管疾患の診断と管理に不可欠である。
心臓の形状や運動パターンは、人口動態、人文計測、疾患の要因に影響される。
正常な形状や動きのパターンを解明し、各個人が基準からどう逸脱するかを理解することは、正確な診断とパーソナライズされた治療戦略を促進する。
そこで我々は,心臓の形状と運動パターンの分布を学習する条件付き生成モデルであるMeshHeartを開発した。
MeshHeartは、年齢、性別、体重、高さなどの臨床的要因を考慮して、3D+t心筋メッシュ配列を生成することができる。
高次元かつ複雑な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を使用して潜時空間内の心臓メッシュを表現し、続いて時間変換器を用いて潜時表現の運動ダイナミクスをモデル化する。
MeshHeartに基づいて、3D+t心筋メッシュ配列の潜時空間を調査し、潜時空間におけるパーソナライズされた規範パターンからのリアルハートの偏差を定量化する、潜時デルタと呼ばれる新しい距離メートル法を提案する。
38,309人の被験者からなる大規模なデータセットを用いた実験では、MeshHeartは心臓メッシュ配列の再構築と生成において高いパフォーマンスを示す。
潜伏空間で定義される特徴は心疾患の分類において高い差別性を示すが、潜伏デルタは現象ワイド・アソシエーション研究において臨床表現型と強い相関を示す。
この研究のコードとモデルは、デジタル心臓モデリングのさらなる研究に役立てるためにリリースされる。
関連論文リスト
- Sequence-aware Pre-training for Echocardiography Probe Guidance [66.35766658717205]
心臓超音波は、(1)心臓の本質的に複雑な構造、(2)重要な個人差の2つの大きな課題に直面している。
これまでの研究は、心臓のパーソナライズされた構造的特徴よりも、心臓の2Dおよび3Dの人口平均構造についてしか学ばなかった。
パーソナライズされた2次元と3次元の心構造特徴を学習するためのシーケンス認識型自己教師付き事前学習法を提案する。
論文 参考訳（メタデータ） (2024-08-27T12:55:54Z) - Spatio-temporal neural distance fields for conditional generative modeling of the heart [0.10481793104300056]
本稿では,時間的神経野の形で形と動きを暗黙的にモデル化し,臨床デモグラフィーに基づく条件付き生成モデルを提案する。
左心房で検査され、現在の配列解剖学的完了合成配列よりも優れている。
これは、静的画像から機能的計測を推測し、特定のデモグラフィーまたは疾患で合成集団を生成し、非画像臨床データが心臓解剖の形状と運動にどのように影響するかを調査することができることを意味している。
論文 参考訳（メタデータ） (2024-07-15T12:26:52Z) - Cardiac Copilot: Automatic Probe Guidance for Echocardiography with World Model [66.35766658717205]
心臓の複雑な構造と重要な手術上の課題のため、経験豊富なソノグラフィーが不足している。
本稿では,リアルタイムなプローブ移動誘導が可能なCardiac Copilotシステムを提案する。
中心となるイノベーションは、心臓の空間構造を表現するためのデータ駆動の世界モデル、Cardiac Dreamerの提案である。
実世界の超音波データとそれに対応するプローブの動きを,3人のソノグラフィーによる151Kサンプル対を用いた110の定期的な臨床スキャンからトレーニングする。
論文 参考訳（メタデータ） (2024-06-19T02:42:29Z) - Continuous 3D Myocardial Motion Tracking via Echocardiography [30.19879953016694]
心筋運動追跡は、心臓血管疾患の予防と検出に不可欠な臨床ツールである。
現在の技術は、空間次元と時間次元の両方において、心筋の不完全かつ不正確な運動推定に悩まされている。
本稿では, 心臓の3次元構造と包括的6次元前/後方運動をモデル化するためのニューラル心運動場(ニューラルCMF)について紹介する。
論文 参考訳（メタデータ） (2023-10-04T13:11:20Z) - Shape-guided Conditional Latent Diffusion Models for Synthesising Brain
Vasculature [47.59734181424857]
ウィリスのサークル(英: Circle of Willis、略称:CoW)は、脳血管の一部であり、脳に血液を届ける役割を担っている。
本稿では,3次元CoWセグメンテーションを生成するために,形状と解剖学的ガイダンスを備えた条件付き潜伏拡散モデルを用いた新しい生成手法を提案する。
論文 参考訳（メタデータ） (2023-08-13T14:27:28Z) - Modeling 3D cardiac contraction and relaxation with point cloud
deformation networks [4.65840670565844]
本稿では,3次元心収縮と緩和をモデル化する新しい幾何学的深層学習手法として,ポイントクラウド変形ネットワーク(PCD-Net)を提案する。
英国バイオバンクの調査から,1万件以上の症例の大規模データセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2023-07-20T14:56:29Z) - Understanding of Normal and Abnormal Hearts by Phase Space Analysis and
Convolutional Neural Networks [0.0]
彼のPurkinjeネットワークは、正常な人間の心臓のパワースペクトルを分析するのに使われている。
CNNs法はMLIIで記録されたMIT-BIHデータベースを介して44レコードに適用される。
バイナリCNN分類は、健康な心臓または不健康な心臓を決定するために用いられる。
論文 参考訳（メタデータ） (2023-05-16T19:52:40Z) - A Generative Shape Compositional Framework to Synthesise Populations of
Virtual Chimaeras [52.33206865588584]
複雑な解剖学的構造に対する生成的形状モデルを導入し、未ペアデータセットのデータセットから学習する。
心臓のサブストラクチャのサンプルとして,全音節形状のデータベースから仮想キマエラを構築した。
提案手法は,PCAをベースとした形状モデル(完全データによる学習)を,汎用性と特異性の観点から大きく上回っている。
論文 参考訳（メタデータ） (2022-10-04T13:36:52Z) - Generative Modelling of the Ageing Heart with Cross-Sectional Imaging
and Clinical Data [13.819131884449881]
本研究では, 加齢に伴う心臓の3次元解剖学的変化を記述するための条件生成モデルを提案する。
心臓解剖学の大規模横断データセットを用いてモデルを訓練し,横断データセットと縦データセットの両方で評価する。
論文 参考訳（メタデータ） (2022-08-28T06:14:39Z) - Three-dimensional micro-structurally informed in silico myocardium --
towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。
シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文 参考訳（メタデータ） (2022-08-22T22:01:44Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。