論文の概要: Personalized 4D Whole-Heart Mesh Reconstruction from Cine MRI via Multi-Scale Temporal Modeling and Differentiable Contour Rendering
- arxiv url: http://arxiv.org/abs/2607.01952v1
- Date: Thu, 02 Jul 2026 09:42:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.777045
- Title: Personalized 4D Whole-Heart Mesh Reconstruction from Cine MRI via Multi-Scale Temporal Modeling and Differentiable Contour Rendering
- Title（参考訳）: マルチスケールテンポラルモデリングと微分輪郭レンダリングによるシネMRIからの4次元全心メッシュ再構成
- Abstract要約: 2次元シネMRIシーケンスから時間的に解決された全ヘットメッシュを再構築するための新しいエンドツーエンドフレームワークを提案する。
このフレームワークは、Beer-Lambert減衰原理にインスパイアされた微分可能な輪郭を取り入れ、3D+tメッシュ変形の解剖学的監視を可能にする。
提案手法は1.68 $pm$ 0.31 mmの絶対誤差と0.77 $pm$ 0.17 $mathrmmm/mathrmframe3$の運動ジッタを実現し,再現誤差を低くし,運動の滑らか性を大幅に向上させた。
- 参考スコア（独自算出の注目度）: 7.111748961723236
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate 4D whole-heart mesh reconstruction from sparse cine MRI is critical for creating cardiac digital twins, but remains challenging due to limited 2D slice coverage and the complex coupling between cardiac shape and motion. Existing methods often rely on intermediate contour fitting and typically reconstruct static, single-phase, or partial cardiac geometries, limiting their ability to capture full-chamber dynamics. We propose a novel end-to-end framework for reconstructing temporally resolved whole-heart meshes from multi-view 2D cine MRI sequences by learning an image-to-mesh mapping. The framework incorporates a differentiable contour renderer inspired by the Beer-Lambert attenuation principle, enabling anatomy-aware supervision of 3D+t mesh deformation through contour-based projection losses. To improve temporal consistency across the cardiac cycle, we further introduce a multi-scale temporal modeling module that integrates global cycle-level dynamics with local inter-frame coherence to generate smooth and physiologically plausible mesh trajectories. The proposed method achieved a whole-heart mean absolute error of 1.68 $\pm$ 0.31 mm and a motion jitter of 0.77 $\pm$ 0.17 $\mathrm{mm}/\mathrm{frame}^{3}$, outperforming existing methods with lower reconstruction error and substantially improved motion smoothness. It also improved 2D contour alignment across multiple cine MRI views and supported downstream proof-of-concept electrophysiological simulation. The code will be released publicly upon acceptance of the manuscript for publication.
- Abstract（参考訳）: Sparse cine MRIからの正確な4Dメッシュ再構築は、心臓のデジタル双生児を作るのに重要であるが、2Dスライス範囲が限定され、心臓の形状と運動の複雑な結合が複雑になるため、依然として困難である。
既存の方法は、しばしば中間の輪郭フィッティングに依存し、通常、静的、単相、または部分的な心臓のジオメトリーを再構築し、フルチャンバー力学を捉える能力を制限する。
画像とメシュのマッピングを学習し,マルチビュー2次元シネMRIシーケンスから時間的に解決された全ヘットメッシュを再構築する,新たなエンドツーエンドフレームワークを提案する。
このフレームワークには、Beer-Lambert減衰原理にインスパイアされた微分可能な輪郭レンダラーが組み込まれており、輪郭ベースの投射損失による3D+tメッシュ変形の解剖学的監視を可能にする。
心循環の時間的整合性を改善するために,局所的なフレーム間コヒーレンスとグローバルサイクルレベルのダイナミックスを統合し,スムーズで生理学的に可能なメッシュトラジェクトリを生成するマルチスケールの時間モデリングモジュールを導入する。
提案手法は1.68 $\pm$ 0.31 mmの絶対誤差と0.77 $\pm$ 0.17 $\mathrm{mm}/\mathrm{frame}^{3}$の運動ジッタを実現し,再現誤差を低くし,運動の滑らか性を大幅に向上した。
また、複数のシネMRIビューにまたがる2Dコントラルアライメントを改善し、下流での概念実証電気生理学的シミュレーションをサポートした。
コードは、出版のための原稿が受理されてから公開されます。
関連論文リスト
- KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding [58.541098216700796]
エンボディド・ワールド・モデルの 物理的整合性を評価することは 重要なオープン・チャレンジです
既存のフレームワークはほとんどがアクション抽出に逆ダイナミクスモデル(IDM)に依存している。
IDMのないEWMのためのクローズドループベンチマークであるKineBenchを紹介する。
論文 参考訳（メタデータ） (2026-07-22T08:04:17Z) - Personalized 3D Myocardial Infarct Geometry Reconstruction from Cine MRI for Cardiac Digital Twins [7.407471411133294]
本研究では,3次元MIをシネMRIから直接再構成する新しい形状運動組込みモデルを提案する。
225 cine MRI 実験の結果,提案した 3D MI 再構成はDice スコア0.678 $pm$ 0.011 で高い性能を示した。
論文 参考訳（メタデータ） (2026-06-01T07:25:56Z) - CineMesh4D: Personalized 4D Whole Heart Reconstruction from Sparse Cine MRI [7.535721717099375]
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。
論文 参考訳（メタデータ） (2026-05-13T18:05:08Z) - ACCURATE: Arbitrary-shaped Continuum Reconstruction Under Robust Adaptive Two-view Estimation [3.344730946122235]
ACCURATEは画像分割ニューラルネットワークと幾何学制約トポロジと動的プログラミングアルゴリズムを統合した3D再構成フレームワークである。
提案手法は, 実ファントムデータセットと模擬ファントムデータセットの両方において, 1.0mm未満の平均絶対誤差で高い再構成精度を実現する。
論文 参考訳（メタデータ） (2026-03-08T08:44:41Z) - Towards Geometry-Aware and Motion-Guided Video Human Mesh Recovery [60.51998732898099]
HMRMambaは3Dヒューマンメッシュリカバリのための新しいパラダイムである。
構造状態空間モデル(Structured State Space Models)をその効率性と長距離モデリングに利用した先駆者である。
まず、新しいデュアルスキャンのMambaアーキテクチャを特徴とするGeometry-Aware Lifting Moduleについて述べる。
論文 参考訳（メタデータ） (2026-01-29T08:05:02Z) - Dyna3DGR: 4D Cardiac Motion Tracking with Dynamic 3D Gaussian Representation [23.163504377816043]
本研究では,明示的な3次元ガウス表現と暗黙的な神経運動場モデリングを組み合わせた新しいフレームワークである動的3次元ガウス表現(Dyna3DGR)を提案する。
本手法は心構造と運動を同時に自己監督的に最適化し,広範囲なトレーニングデータやポイント・ツー・ポイント対応の必要性を解消する。
論文 参考訳（メタデータ） (2025-07-22T14:06:50Z) - X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。
新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
論文 参考訳（メタデータ） (2025-03-27T17:59:57Z) - 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) - Deep Cardiac MRI Reconstruction with ADMM [7.694990352622926]
心臓画像の分野では, 深層学習(DL)を用いたシネ・マルチコントラスト再建法を提案する。
提案手法は画像領域とk空間領域の両方を最適化し,高い再構成精度を実現する。
論文 参考訳（メタデータ） (2023-10-10T13:46:11Z) - 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) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - MotioNet: 3D Human Motion Reconstruction from Monocular Video with
Skeleton Consistency [72.82534577726334]
モノクロビデオから3次元人間の骨格の動きを直接再構成するディープニューラルネットワークであるMotioNetを紹介した。
本手法は,動作表現を完全かつ一般的に使用するキネマティックスケルトンを直接出力する最初のデータ駆動型手法である。
論文 参考訳（メタデータ） (2020-06-22T08:50:09Z)
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。