CardiacFlow: 3D+t Four-Chamber Cardiac Shape Completion and Generation via Flow Matching

从多视角心脏磁共振（CMR）图像中学习 3D+t 形态补全与生成，需要大量高分辨率的三维全心分割（WHS）数据，以捕捉形态先验信息。在本研究中，我们利用流匹配技术，学习深度生成流，用于以分割形式隐式表示的四种心腔 3D+t 形状的数据增强、补全与生成。首先，我们引入了一种潜在空间修正流方法，用于从有限数量的 3D WHS 数据中学习生成三维心脏形状，以实现数据增强。接着，我们在真实和合成数据上训练了一个标签补全网络，用于从稀疏的多视角 CMR 分割结果中重建 3D+t 形态。最后，我们提出了 CardiacFlow，这是一种新颖的一步式生成流模型，能够高效生成具有时间周期性的四腔心脏 3D+t 形状，其生成过程以时间帧的周期性高斯核编码为条件。在 WHS 数据集上的实验表明，基于流的数据增强可将 3D 形态补全中的几何误差降低 16%。在 UK Biobank 数据集上的评估也验证了 CardiacFlow 在生成质量和周期一致性方面均优于现有基线方法。

论文旨在解决从稀疏多视角心脏磁共振（CMR）图像中学习3D+t（时间序列）心脏形状补全与生成的问题。由于需要大量高分辨率的3D全心脏分割数据来捕捉形状先验，而这类数据通常有限，因此这是一个具有挑战性的问题。

论文的关键思路是引入基于流匹配（flow matching）的深度生成流模型，通过有限的3D全心脏分割数据生成高质量的3D+t心脏形状。具体包括：1）使用潜在空间中的rectified flow进行数据增强；2）训练标签补全网络以从稀疏CMR分割中重建3D+t心脏形状；3）提出CardiacFlow模型，通过周期性高斯核编码时间帧，实现高效的四腔室心脏形状生成。

1. 提出了一种基于流的数据增强方法，有效提升了3D形状补全任务的几何精度，实验显示几何误差减少了16% 2. CardiacFlow模型在UK Biobank数据集上表现出优于现有基线方法的生成质量与周期一致性 3. 使用隐式分割表示心脏形状，适用于复杂结构的建模 4. 实验设计结合真实与合成数据训练标签补全网络，增强了模型泛化能力 5. 为心脏建模任务引入了周期性时间编码机制，适合处理心脏跳动的时序建模

1. Denoising Diffusion Probabilistic Models (DDPM) 2. Score-Based Generative Modeling through Stochastic Differential Equations 3. Flow Matching for Generative Modeling 4. Deep Implicit Probabilistic Kernel Learning for 3D Shape Generation 5. Learning Representations of Cardiac Anatomy from Large-Scale Biomedical Imaging Datasets 6. Spatio-Temporal Deep Learning Models for Cardiac Image Analysis