通过深度学习重建心脏组织模型可以用于计算心脏病理生理学，从而指导诊断和个性化治疗，该模型可以高效地用于计算流体力学模拟。
Jul, 2021
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
本研究使用深度学习模型生成患者特异性体积网格和直接估计血流动力学数据，在简化博弈过程的同时，提供更高效的计算流体力学模拟和分割方法。
Feb, 2024
本文提出了一种基于 LNODEs 的心脏数字孪生代理模型，并且使用全局敏感度分析和鲁棒参数估计，实现了未知时间系列的模拟和参数校准。
Jun, 2023
使用机器学习为出现的问题预测最佳有限元网格，从而自动生成了高质量的网格，该方法基于神经网络对标准网格生成软件进行指导。
Apr, 2020
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
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
我们提出了一种全自动建模算法，能够将病人特异性的钙化数据精确地添加到已有的心脏模型中，从而加速心脏数字孪生的物理模拟研究和应用的发展。
Mar, 2024
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
本文提出了一种新的几何深度学习模型 CorticalFlow，用于 3D 图像到目标物体的畸变，其具有小 GPU 内存占用，生成数十万个顶点的表面及降低拓扑级别错误的特点。该模型在大脑皮层表面重建等方面具有卓越的表现和临床价值。
Jun, 2022