RePCM: Region-Specific and Phenotype-Adaptive Bi-Ventricular Cardiac Motion Synthesis

📄 arXiv: 2605.21237v1 📥 PDF

作者: Xuan Yang, Xiaohan Yuan, Hao Li, Lingyu Chen, Yanan Liu, Lei Li

分类: cs.CV, cs.AI

发布日期: 2026-05-20

备注: Early Accepted by MICCAI 2026. This is the author's submitted version. 10 pages, 3 figures

💡 一句话要点

提出RePCM，用于解决心血管疾病中区域特异性和表型自适应的双心室心脏运动合成问题。

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 心脏运动合成 双心室 区域特定 表型自适应 条件VAE 心血管疾病 功能分区

📋 核心要点

  1. 现有心脏运动合成方法忽略了心脏各区域的差异性以及不同心血管疾病表型的影响，导致合成结果过度平滑。
  2. RePCM通过数据驱动的功能分区学习区域结构，并设计区域特定注入模块和表型自适应的专家混合先验来建模区域和疾病特异性。
  3. 在多个数据集上的实验表明，RePCM在几何和功能指标上均优于现有方法，并能更好地保留区域特定的动态信息。

📝 摘要（中文）

心脏周期内的心脏运动对于量化区域功能至关重要，并受到心血管疾病的强烈影响。由于在实践中难以获得时间上密集的网格序列，因此我们专注于利用更容易获得的舒张末期帧来推断完整的周期序列。由于强大的区域和疾病特异性差异，传统方法通常通过依赖于针对全局模式优化的生成模型来过度平滑数据。为了解决这个问题，我们提出了区域感知和表型自适应的双心室心脏运动合成（RePCM），用于单帧双心室网格运动补全。在第一阶段，重建网络学习顶点方向的运动描述符，聚类产生数据驱动的功能分区，提供显式的运动导出的区域结构。在第二阶段，区域特定注入模块在条件VAE中强制执行掩码的、同步的区域交换，保留局部特定的动态并限制跨区域混合。表型自适应的专家混合先验以ED形状为条件，使用解剖引导的线索来建模潜在的运动趋势并捕获疾病间的变异性。在涵盖不同心血管疾病的三个数据集上的实验表明，在几何和功能指标方面均获得了持续的收益，并改善了区域特定动态的保留。

🔬 方法详解

问题定义：论文旨在解决从单个舒张末期（ED）心脏网格中合成完整心脏周期运动序列的问题。现有方法，特别是基于生成模型的方法，由于忽略了心脏不同区域的运动差异以及不同心血管疾病表型的影响，导致合成的运动序列过度平滑，无法准确反映真实的区域运动特征。

核心思路：RePCM的核心思路是利用区域特定的信息和表型自适应的先验知识来指导心脏运动的合成。通过学习数据驱动的功能分区，将心脏划分为具有相似运动模式的区域，并针对每个区域学习特定的运动动态。同时，利用表型信息（如ED形状）来调整运动合成过程，以适应不同疾病的特征。

技术框架：RePCM包含两个主要阶段：第一阶段是区域结构学习，通过重建网络学习顶点方向的运动描述符，然后进行聚类，得到数据驱动的功能分区。第二阶段是运动合成，使用条件变分自编码器（VAE）作为生成模型，其中包含一个区域特定注入模块，用于在不同区域之间进行信息交换，以及一个表型自适应的专家混合先验，用于建模潜在的运动趋势。

关键创新：RePCM的关键创新在于以下几点：1) 提出了数据驱动的功能分区方法，能够自动学习心脏的区域结构，而无需手动定义。2) 设计了区域特定注入模块，能够在VAE中强制执行掩码的、同步的区域交换，从而保留局部特定的动态并限制跨区域混合。3) 引入了表型自适应的专家混合先验，能够根据ED形状调整运动合成过程，以适应不同疾病的特征。

关键设计：区域特定注入模块通过掩码操作来限制不同区域之间的信息交换，从而保留局部特定的动态。表型自适应的专家混合先验使用解剖引导的线索（如ED形状）作为条件，来选择不同的专家网络，每个专家网络负责建模一种特定的运动模式。损失函数包括重建损失、KL散度损失和对抗损失，用于保证合成运动序列的质量和真实性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

RePCM在三个数据集上进行了评估，这些数据集涵盖了不同的心血管疾病。实验结果表明，RePCM在几何和功能指标方面均优于现有方法，例如，在LGE数据集上，RePCM在Dice系数和Hausdorff距离等指标上均取得了显著的提升。此外，RePCM还能够更好地保留区域特定的动态信息，例如，能够更准确地反映心肌梗死患者的运动异常。

🎯 应用场景

RePCM可应用于心血管疾病的诊断和治疗。通过从单个心脏图像合成完整的心脏运动序列，可以帮助医生更全面地了解患者的心脏功能，从而更准确地诊断疾病。此外，RePCM还可以用于个性化治疗方案的制定，例如，可以根据患者的心脏结构和功能预测手术或药物治疗的效果。

📄 摘要（原文）

Cardiac motion over a cardiac cycle is crucial for quantifying regional function and is strongly affected by cardiovascular diseases. Since temporally dense mesh sequences are difficult to obtain in practice, we focus on leveraging the more accessible end-diastolic frame to infer a full-cycle sequence. Due to strong regional and disease-specific differences, traditional methods often oversmooth the data by relying on generative models that are optimized for global patterns. To address this problem, we propose Region-Aware and Phenotype-Adaptive Bi-Ventricular Cardiac Motion Synthesis (RePCM) for single frame Bi-ventricular mesh motion completion. In Stage I, a reconstruction network learns vertex wise motion descriptors and clustering yields a data driven functional partition, providing an explicit motion derived region structure. In Stage II, a Region-Specific Injection Module enforces masked, synchronized region exchange within a conditional VAE, preserving localized specific dynamics and restricting cross-region mixing. A Phenotype-Adaptive Mixture-of-Experts prior conditioned on ED shape uses anatomy-guided cues to model latent motion trends and capture inter-disease variability. Experiments on three datasets covering different cardiovascular diseases show consistent gains in geometric and functional metrics and improved preservation of region specific dynamics.