机构名称：
¥ 1.0
摘要。机械收缩和心脏放松在评估健康和患病的心脏功能方面起着重要作用。me-chanical模式由复杂的非线性3D变形组成，这些变形在受试者之间存在很大变化，很难观察到2D图像，这会影响心脏结果的预测准确性。在这项工作中，我们旨在通过一种新颖的几何深度学习方法来捕获心脏周期的末端舒张期（ED）和末端相结合（ES）阶段的3D双脑膜变形。我们的网络由一个编码器编码器结构组成，该结构直接与轻度点云数据一起使用。我们最初是由由主体混合种群组成的成对和ES点云对训练我们的网络，目的是准确预测ES输入的ED输出以及ED输入的ES输出。我们使用Chamfer距离（CD）来验证网络的性能，并发现ED和ES预测可以通过从英国生物银行队列的数据集中的平均CD进行1.66±0.62 mm来实现，其基础体素尺寸为1。8×1。 8×8。 0 mm [8]。 我们从预测中得出结构性和功能性临床指标，例如肌肉拨号质量，心室体积，射血分数和中风量，并发现平均平均值偏离其各自的金标准1.6％和可比标准偏差的平均偏差。 最后，我们显示了我们方法在数据集中特定子群之间捕获变形差异的能力。8×1。8×8。0 mm [8]。我们从预测中得出结构性和功能性临床指标，例如肌肉拨号质量，心室体积，射血分数和中风量，并发现平均平均值偏离其各自的金标准1.6％和可比标准偏差的平均偏差。最后，我们显示了我们方法在数据集中特定子群之间捕获变形差异的能力。
新兴的重生技术在未来的道德中的影响
主要关键词
相关文件推荐
