Cardiac Digital Twins at Scale from MRI: Open Tools and Representative Models from ~55000 UK Biobank Participants

心脏数字孪生是一种患者心脏的虚拟复制品，用于心血管疾病的筛查、诊断、预后、风险评估和治疗规划。这需要一个解剖学上精确的、针对患者的三维心脏结构表示，适用于电-机械模拟或疾病机制的研究。然而，大规模生成心脏数字孪生具有挑战性，并且目前尚无覆盖各个人群组的公开模型库。我们描述了一种自动化的开源流程，该流程可以从心血管磁共振图像中生成特定患者的左右心室网格模型，将其应用于来自英国生物银行（UK Biobank）的大约55000名参与者队列，并构建了迄今为止最全面的成人心脏模型队列，包含1423个具有代表性的网格模型，涵盖了性别（男性、女性）、体重指数（范围：16 - 42 kg/m$^2$）和年龄（范围：49 - 80岁）。我们的代码可在 https://github.com/cdttk/biv-volumetric-meshing/tree/plos2025 获取，而预训练网络、带有纤维方向和UVCs的代表性体网格模型也将很快开放使用。

该论文试图解决生成大规模患者特异性心脏数字孪生模型的问题，特别是针对心血管疾病的筛查、诊断、预后和治疗规划。这是一个具有挑战性的问题，因为目前缺乏公开的跨人口统计学群体的心脏模型库。

论文提出了一种自动化的开源管道，用于从心血管磁共振图像中生成左右心室的三维网格模型。这些模型不仅适用于电-机械模拟，还能够研究疾病机制。相比现有方法，该研究首次将此技术应用于大规模人群（约55000名参与者），并构建了最全面的成人心脏模型队列。

论文亮点包括：1）生成了包含1423个代表性网格模型的数据集，覆盖性别、BMI范围（16-42 kg/m²）和年龄范围（49-80岁）；2）所有代码已开源，并计划公开预训练网络及代表性体积网格模型；3）实验设计基于大规模UK Biobank数据集，确保结果的广泛适用性。未来可深入研究的方向包括改进纤维方向建模和进一步扩展到其他心脏结构。

近期相关研究包括：1）“Deep Learning for Cardiac Image Segmentation”探讨了深度学习在心脏图像分割中的应用；2）“Patient-Specific Cardiac Models Using Computational Anatomy”研究了计算解剖学在个性化心脏建模中的潜力；3）“A Large-Scale Cohort Study of Cardiovascular Risk Factors”分析了心血管风险因素的大规模队列研究。这些工作共同推动了心脏数字孪生技术的发展。