提出了一种利用 4D 重建方法进行心肌形态和运动状态估计的方法，通过解耦动作和形状，预测限制切片获得的稀疏点云序列的内部 / 间接形状和运动估计。

Aug, 2023

通过形态导向扩散模型，我们提出了 DMCVR，用于从稀疏的 2D 图像堆叠中更好地重建 3D 心脏容积，这种方法在生成模型中将心脏形态作为条件，消除了潜在代码的耗时迭代优化过程，提高了生成质量。我们的实验表明，DMCVR 在 2D 生成和 3D 重建性能等几个方面非常有效，能够产生高分辨率的 3D 心脏 MRI 重建，超过了当前的技术水平。我们提出的框架有着改善心脏疾病诊断和治疗规划准确性的巨大潜力。

Aug, 2023

利用深度条件形状模型作为核心组件的新型分割算法，通过深度隐式形状表示学习一个可以为任何感兴趣解剖学生成有符号距离函数的模态不可知形状模型，然后通过解剖标志物对生成的形状进行拟合到图像上，并添加模态依赖的轻量级细化网络以捕捉隐式函数未表示的任何细节，该框架在多种 3D 模态下的心脏左室分割问题上进行评估，自动化的 DCSM 在非对比度 CT 上表现优于基准结果，在对比度 CT 和 3DE 上添加细化后性能得到显著改善，而用户输入标志物的半自动化 DCSM 在全部模态下的 Dice 指数均超过 92%。

Oct, 2023

我们提出了点云变形网络（PCD-Net）作为一种新颖的几何深度学习方法，用于模拟心脏循环极端端点之间的三维心脏收缩和舒张过程。我们对来自英国生物库研究（UK Biobank study）中超过 10,000 例数据集进行评估，发现预测值与实际解剖结构之间的平均 Chamfer 距离小于图像获取的像素分辨率。此外，我们观察到预测值与实际群体之间的类似临床指标，并且证明了 PCD-Net 能够成功捕捉正常受试者和心肌梗死（MI）患者之间的亚人群特异性差异。然后，我们证明了学习到的三维变形模式在预测患有 MI 的面前 MI 检测和潜在 MI 预测任务方面优于多个临床指标，对于 MI 生存分析的 Harrell's concordance 指数提高了 7%。

Jul, 2023

基于心脏磁共振图像的 3D 运动估计对于评估心脏功能和诊断心血管疾病至关重要。本文提出了一种基于 DeepMesh 的学习框架，旨在从 CMR 图像中将心脏网格传播到个体空间，并估计个体的心脏网格的 3D 运动。该方法通过开发一种可微分的网格到图像光栅化器，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。实验结果表明，该方法在定量和定性上优于其他基于图像和基于网格的心脏运动跟踪方法，特别针对左心室的 3D 运动估计。

Sep, 2023

本论文提出了一种学习式的 Neural Parametric Models (NPMs) 用于精确地重建和跟踪人体、手部和服装等物体的运动序列，并展示了该方法相对于传统参数化或非参数化方法的优越性。

Apr, 2021

通过三维深度有限函数和立体雅可比技术，我们可以高效地重建患者特异性的心脏解剖模型，从而在其他医学成像领域中具有广泛应用。

Aug, 2023

心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

Oct, 2023

本文介绍了针对从日常视频中建立变形 3D 对象的过程中遇到的挑战，提出了一种新的神经双四元混合蒙皮（NeuDBS）以及一个纹理滤波方法用于纹理渲染来提高建立人和动物 3D 模型的定量和定性性能。

Apr, 2023

提出一种利用非度量多维缩放（NMDS）方法的低参数深度学习框架，能够在单个输入图像中恢复人脸 2D 标志物的 3D 形状；在综合比较合成和真实世界的不同人脸数据集时，该框架显示出类似于相关文献中强大的 3D 重建方法的可比性能，同时具有更高的效率且具有更少的训练参数。

Oct, 2022