Dyna3DGR: 4D Cardiac Motion Tracking with Dynamic 3D Gaussian Representation

准确分析心脏运动对于评估心脏功能至关重要。尽管动态心脏磁共振成像（CMR）能够捕捉整个心动周期中的详细组织运动，但由于心肌组织本身的均质性以及缺乏显著特征，精细的四维心脏运动追踪仍然具有挑战性。现有的方法大致可分为基于图像的方法和基于表示的方法，每种方法都有其局限性。基于图像的方法，包括传统的和基于深度学习的配准方法，要么难以保持拓扑一致性，要么严重依赖大量训练数据。而尽管基于表示的方法展现出一定潜力，却常常丢失图像层面的细节信息。 为了解决上述局限性，我们提出了动态三维高斯表示（Dyna3DGR），这是一种结合了显式三维高斯表示与隐式神经运动场建模的新框架。我们的方法以一种自监督的方式同时优化心脏结构与运动，无需大量训练数据或点对点的对应关系。通过可微分体渲染技术，Dyna3DGR高效地连接了连续运动表示与图像空间对齐，同时保留了拓扑结构和时间一致性。在ACDC数据集上的全面评估表明，我们的方法在运动追踪精度方面优于当前最先进的基于深度学习的微分同胚配准方法。代码将公开于 https://github.com/windrise/Dyna3DGR。

论文旨在解决心脏磁共振成像（CMR）中精细的4D心脏运动追踪问题。由于心肌组织同质性强且缺乏显著特征，现有方法在拓扑一致性、图像细节保留和训练数据依赖性方面存在局限。这是一个在医学影像分析中具有挑战性的问题，尤其是在没有大量标注数据的情况下实现高精度运动追踪。

论文提出了一种名为Dyna3DGR的新框架，结合了显式的3D高斯表示与隐式的神经运动场建模。该方法通过可微体积渲染，在无需大量训练数据或点对点对应关系的情况下，以自监督方式同时优化心脏结构与运动，从而在保持拓扑和时间一致性的同时实现高精度的运动追踪。

1. Dyna3DGR通过结合显式与隐式表示，在保持图像细节的同时建模连续运动场。 2. 方法在ACDC数据集上验证，显示其在追踪精度上优于当前最先进的深度学习可微分配准方法。 3. 工作流程中无需标注数据或点对应，具有良好的泛化潜力。 4. 代码已开源（https://github.com/windrise/Dyna3DGR），有助于后续研究与复现。 5. 未来可探索该方法在其他动态器官或模态中的应用，如超声或CT。

1. Unsupervised Learning for Cardiac MR Image Segmentation and Registration 2. Deep Learning-Based Myocardial Motion Estimation from 4D Flow MRI 3. NeRF in Medical Imaging: Neural Radiance Fields for Dynamic Organ Reconstruction 4. Diffeomorphic Registration with Intensity Transformation and Missing Data Handling for Cardiac MRI 5. Spatiotemporal Atlas Learning for Cardiac Motion Analysis via Deep Registration Networks