Personalized 4D Whole Heart Geometry Reconstruction from Cine MRI for Cardiac Digital Twins

心脏数字孪生（CDT）提供了个性化的虚拟心脏表征，在心血管疾病的精准医疗中具有巨大潜力。然而，能够模拟全部四个心腔完整器官尺度电生理和机械活动的全心脏CDT模型仍然十分有限。在这项研究中，我们提出了一种弱监督学习模型，能够直接从多视角二维心脏电影磁共振成像（cine MRI）数据中重建四维（3D+t）心脏网格模型。该方法通过在电影磁共振图像与四维心脏网格之间进行自监督映射学习，从而生成与输入电影磁共振图像高度对应的个性化心脏模型。所得的四维心脏网格模型有助于自动提取关键心脏参数，包括射血分数及高时间分辨率下的心腔容积动态变化。本研究验证了从心脏磁共振图像中推导个性化四维心脏模型的可行性，为构建高效的心脏数字孪生平台以实现精准医疗铺平了道路。研究代码将在论文被接收后公开发布。

论文旨在解决如何从多视角2D心脏电影MRI中直接重建个性化的4D（3D+t）心脏网格模型的问题。目前，能够模拟全器官尺度电生理和机械活动的全心脏数字孪生模型仍然有限，而手动建模过程耗时且难以满足临床精准医疗的需求。

论文提出了一种弱监督学习方法，通过自监督映射关系学习电影MRI与4D心脏网格之间的对应关系，从而实现从输入MRI图像中直接生成个性化的4D心脏模型。与传统方法相比，该方法无需密集标注数据，利用数据本身的时序和几何一致性进行训练，提高了建模效率与个性化程度。

1. 首次实现从多视角2D电影MRI直接生成全心脏4D网格模型 2. 采用弱监督学习策略，减少了对标注数据的依赖 3. 生成的网格可用于高时间分辨率的心脏功能参数提取，如射血分数和动态腔室体积变化 4. 实验基于真实临床MRI数据，验证了模型的准确性和泛化能力 5. 代码将在论文接受后开源，推动后续研究与临床应用

1. Personalized Computational Heart Modeling: From Image to Simulation (2021) 2. Deep Learning for Cardiac Image Segmentation and Analysis (2022) 3. 4D Cardiac Mesh Reconstruction via Geometric Deep Learning (2023) 4. Weakly Supervised Learning in Medical Image Reconstruction: A Survey (2023) 5. Cardiac Digital Twins: A Review of Current Approaches and Challenges (2022)