本文中，我们提出了一种利用完整的三维心脏形状的点云提高心肌梗死事件检测的方法，并通过对 1068 名英国生物银行受试者进行评估，在流行性心肌梗死检测和新发性心肌梗死预测任务上实现了分别超过临床基准约 13％和 5％的进展。此外，我们分析了每个心室和心脏时相在基于三维形状的心肌梗死检测中的作用，并进行了形态和生理模式的视觉分析。

Jul, 2023

该研究提出了一种全新的完全自动化表面重建管道，能够从原始的 Cine 磁共振成像获取多类三维心脏解剖网格，其中关键组件是一种多类点云完成网络（PCCN）；研究人员证明了该算法在合成数据集和实际数据集中的高精度和鲁棒性。

Jul, 2023

将神经可变形模型应用于心脏三维双心室形状的重建和建模，可通过学习几何参数函数和全局 / 局部变形实现心脏形状恢复，能够自动生成高质量的三角网格，并实现不同心脏形状之间的精确匹配，具有优于传统方法的表现。

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

该论文提出了一种基于简洁的 MLP 网络的 Point Deformable Network (PDNet)，它能够捕捉到具有强大表征能力的长程关系。论文还提出了 Point Deformable Aggregation Module (PDAM)，通过对可变形参考点的聚合，改进了长程依赖和点之间的自适应聚合的表示能力。在各种基准测试中进行了大量实验和消融研究，证明了 PDNet 的有效性和优越性。

Dec, 2023

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

本文提出了一种基于深度学习的框架，利用计算机辅助技术快速准确地进行冠状动脉血液动力学分析， 通过迭代学习算法可以用 CCTA 图像预测冠状动脉的血液动力学分布，并与计算流体动力学分析结果相吻合，为冠状动脉疾病发展的机制揭示提供新思路。

May, 2023

基于多目标点云自编码器的心肌梗死预测是一种新颖的几何深度学习方法，通过多类别的三维点云表示心脏解剖和功能，实现有效的多目标学习，捕捉解剖特异性三维形状信息，并在高分辨率解剖点云上直接进行高效的多尺度特征学习。在大型 UK Biobank 数据集上的实验中，这种方法在多时序三维形状重建方面表现优异，预测和输入解剖之间的 Chamfer 距离低于基础图像的像素分辨率，并且在事故性心肌梗死预测任务上，其表现优于多个机器学习和深度学习基准模型，ROC 曲线下面积提高了 19%，同时其任务特定的紧凑潜变量空间呈现出易分离的对照组和心肌梗死聚簇，并展示了预测的可解释性。

Jul, 2023

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

提出了一种合成数据生成方法，用于丰富心血管影像数据集，包括关键的地面真实光流注释，以克服高分辨率 CT 数据集稀缺性带来的限制，从而促进精确可靠的心肌变形分析算法在临床应用和诊断中的发展。

Jun, 2024