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

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

本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

Mar, 2021

本文介绍了一种新型深度学习方法 Motion Pyramid Networks 来进行精准高效的心脏运动估计，使用金字塔形的多尺度运动场来增强更细致的运动场，通过循环的师生知识蒸馏方式来提高跟踪性能，并提出新的评价指标，其在公开数据集上有明显优于强基线模型的表现。

Jun, 2020

通过利用深度学习和变形图像配准技术，本研究描述了一种基于心脏通过 1D 运动描述符表示动态过程的方法，并定义了一组规则以确定五个心血管相位，从而实现对心脏功能的评估。

Sep, 2022

自动识别心脏 MR 图像中的位移异常，通过注册、形变分析和应力分析等方法进行心脏运动的量化，并在心脏病诊断中发现具有潜在价值的心脏位移变化。

Nov, 2023

提出了一种基于隐式神经场表征的非监督方法用于心脏心电影 MRI（所谓 NF-cMRI），该方法在体内进行了评估，对于 26 倍和 52 倍的欠采样黄金角度径向多线圈采集，实现了良好的图像质量和可比较的空间和改进的时间描述，优于先进的重建技术。

Jul, 2023

使用计算机视觉中的运动分析和高维度医学图像数据，通过基于卷积网络和自编码器的模型进行人体生存预测任务，所建模型在 302 例患者中表现出显著的准确性提高，从而展示了如何高效地预测人类生存率。

Oct, 2018

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

我们提出了一种全心自监督学习框架，利用掩蔽成像建模自动发现心脏图像中空间和时间补丁之间的相关性，以生成有意义且高度聚类的心脏表示，该表示可以直接用于多个下游任务，而且在缺失或有缺陷的心磁共振平面上也具有鲁棒性，该方法在综合 3D+T 心脏信息方面具有出色的性能。

Jun, 2024