論文の概要: CineMesh4D: Personalized 4D Whole Heart Reconstruction from Sparse Cine MRI

• arxiv url: http://arxiv.org/abs/2605.13994v1
• Date: Wed, 13 May 2026 18:05:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.447022
• Title: CineMesh4D: Personalized 4D Whole Heart Reconstruction from Sparse Cine MRI
• Title（参考訳）: CineMesh4D : Sparse Cine MRIによる全心再建
• Authors: Xiaoyue Liu, Xiaohan Yuan, Mark Y Chan, Ching-Hui Sia, Lei Li,
• Abstract要約: 我々は,CineMesh4Dを提案する。CineMesh4Dは,シネMRIから患者固有の全ハートメッシュを直接再構築する新しいエンド・ツー・エンド4D(3D+t)パイプラインである。 CineMesh4Dは、再構築品質と動作一貫性の点で、既存のアプローチよりも優れています。
• 参考スコア（独自算出の注目度）: 7.535721717099375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate 3D+t whole-heart mesh reconstruction from cine MRI is a clinically crucial yet technically challenging task. The difficulty of this task arises from two coupled factors: inherently sparse sampling of 3D cardiac anatomy by 2D image slices and the tight coupling between cardiac shape and motion. Current cardiac image-to-mesh approaches typically reconstruct only a subset of cardiac chambers or a single phase of the cardiac cycle. In this work, we propose CineMesh4D, a novel end-to-end 4D (3D+t) pipeline that directly reconstructs patient-specific whole-heart mesh from multi-view 2D cine MRI via cross-domain mapping. Specifically, we introduce a differentiable rendering loss that enables supervision of 3D+t whole-heart mesh from multi-view sparse contours of cine MRI. Furthermore, we develop a dual-context temporal block that fuses global and local cardiac temporal information to capture high-dimensional sequential patterns. In quantitative and qualitative evaluations, CineMesh4D outperforms existing approaches in terms of reconstruction quality and motion consistency, providing a practical pathway for personalized real-time cardiac assessment. The code will be publicly released once the manuscript is accepted.
• Abstract（参考訳）: cine MRIの正確な3D+tメッシュ再構築は、臨床的には不可欠だが技術的には難しい課題である。 この課題の難しさは、本質的には2次元画像スライスによる3次元心臓解剖のスパースサンプリングと、心臓の形状と運動との密結合である。 現在の心臓画像とミーシュのアプローチは、通常、心臓室のサブセットまたは心臓循環の単一フェーズのみを再構築する。 本研究では,マルチビュー2D cine MRIから患者固有の全ハートメッシュを直接再構築する,新しいエンド・ツー・エンド4D(3D+t)パイプラインであるCineMesh4Dを提案する。 具体的には,シネMRIのマルチビュースパース輪郭から3D+t全体のメッシュの監視を可能にする,異なるレンダリング損失を導入する。 さらに,大域的および局所的な心時空間情報を融合して高次元連続パターンを捕捉する,二重コンテキスト時空間ブロックを開発した。 定量的および質的評価において、CineMesh4Dは、再建品質と運動整合性の観点から既存のアプローチよりも優れており、パーソナライズされたリアルタイム心評価のための実践的な経路を提供する。 コードは、原稿が受け入れられたら、公開されます。

関連論文リスト

• Can Video Diffusion Model Reconstruct 4D Geometry? [66.5454886982702]
  Sora3Rは、カジュアルなビデオから4Dのポイントマップを推測するために、大きなダイナミックビデオ拡散モデルのリッチ・テンポラリなテンポラリなテンポラリな時間を利用する新しいフレームワークである。 実験により、Sora3Rはカメラのポーズと詳細なシーン形状の両方を確実に復元し、動的4D再構成のための最先端の手法と同等の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-03-27T01:44:46Z)
• MedTet: An Online Motion Model for 4D Heart Reconstruction [59.74234226055964]
  本研究は, 術後の軽度データから3次元心臓運動を再構築するための新しいアプローチを提案する。 既存の方法では、フル3次元の体積像から3次元の臓器のジオメトリーを正確に再構築することができる。 このような部分的データから3次元運動を再構築するための汎用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-03T17:18:33Z)
• MinD-3D: Reconstruct High-quality 3D objects in Human Brain [50.534007259536715]
  Recon3DMindは、fMRI(Functional Magnetic Resonance Imaging)信号から3次元視覚を再構成するための革新的なタスクである。 このデータセットは14人の参加者のデータを含み、3Dオブジェクトの360度ビデオが特徴である。 我々は,脳の3次元視覚情報をfMRI信号から復号化するための,新規で効果的な3段階フレームワークMinD-3Dを提案する。
  論文  参考訳（メタデータ） (2023-12-12T18:21:36Z)
• DeepMesh: Mesh-based Cardiac Motion Tracking using Deep Learning [13.289561121562057]
  心臓機能評価と心血管疾患の診断には,CMR画像からの3次元運動推定が重要である。 本研究では,心内膜および心内膜からなる3次元メッシュとして心臓をモデル化する。 本稿では,テンプレート型心臓メッシュを対象空間に伝播させる新しい学習フレームワークDeepMeshを提案し,各被験者のCMR画像から心臓メッシュの3次元運動を推定する。
  論文  参考訳（メタデータ） (2023-09-25T17:24:18Z)
• DMCVR: Morphology-Guided Diffusion Model for 3D Cardiac Volume Reconstruction [33.59945107137013]
  現在の心臓MRIによる再建技術は、平面解像度が制限された2Dである。 本稿では,高解像度2次元画像とそれに対応する3次元再構成ボリュームを合成する3次元心容積再構成のための形態誘導拡散モデルDMCVRを提案する。
  論文  参考訳（メタデータ） (2023-08-18T00:48:30Z)
• Multi-class point cloud completion networks for 3D cardiac anatomy reconstruction from cine magnetic resonance images [4.1448595037512925]
  マルチクラスの心臓解剖学的メッシュを再構築できる新しい完全自動表面再構成パイプラインを提案する。 その鍵となるコンポーネントは、マルチクラスポイントクラウド補完ネットワーク(PCCN)である。
  論文  参考訳（メタデータ） (2023-07-17T14:52:52Z)
• Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
  Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。 従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。 これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。 本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:38:42Z)
• MulViMotion: Shape-aware 3D Myocardial Motion Tracking from Multi-View Cardiac MRI [11.685829837689404]
  心臓の連続した3次元運動場を学習するためのマルチビューモーション推定ネットワーク(MulViMotion)を提案する。 左室心筋の3次元運動追跡のための英国バイオバンク研究の580名の被験者から得られた2D cine CMR画像に対する提案手法を広範に評価した。
  論文  参考訳（メタデータ） (2022-07-29T18:29:52Z)
• Monocular, One-stage, Regression of Multiple 3D People [105.3143785498094]
  我々は、複数の3D人物(ROMP)のための1段階方式で全てのメッシュを回帰することを提案する。 本手法は,体温マップとメッシュマップを同時に予測し,画素レベルの3Dボディメッシュを共同で記述する。 最先端の手法と比較して、ROMPは挑戦的なマルチパーソンベンチマークよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-08-27T17:21:47Z)
• Coherent Reconstruction of Multiple Humans from a Single Image [68.3319089392548]
  本研究では,1枚の画像から多人数の3Dポーズ推定を行う問題に対処する。 この問題のトップダウン設定における典型的な回帰アプローチは、まずすべての人間を検出し、それぞれを独立して再構築する。 我々のゴールは、これらの問題を回避し、現場のすべての人間のコヒーレントな3D再構成を生成するために学習する単一のネットワークをトレーニングすることである。
  論文  参考訳（メタデータ） (2020-06-15T17:51:45Z)

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。