摘要。心肌梗塞(MI)是世界上最常见的死亡原因之一。基于图像的生物标志物通常在诊所中使用,例如射血分数,无法在心脏的3D解剖结构中捕获更复杂的模式,因此限制了诊断精度。在这项工作中,我们基于心脏解剖学和功能的多级3D点云表示,将多目标云自动编码器作为一种新型的几何深度学习方法,用于可解释的梗塞预测。它的架构由多个由低维的潜在空间连接的多个特定于任务的分支组成,可以有效地对重建和MI预测进行多客观学习,而在可解释的潜在空间中限制了特定于病理学的3D形状信息。此外,其层次分支设计具有基于点云的深度学习操作,可以在高分辨率的解剖点云上进行有效的多尺度特征学习。在我们在大型UK Biobank数据集上进行的实验中,多目标云自动构造器能够准确地重建多个快速的3D形状,并在基础图像的像素分辨率下方的预测解剖和输入解剖学之间具有弯腰距离。我们的方法在接收器操作特征曲线下的面积方面优于事件MI预测的任务的多个机器学习和深度学习基准。此外,其特定于任务的紧凑型潜在空间表现出易于分离的控制和MI簇,并在受试者编码和相应的3D形状之间具有临床上合理的关联,从而证明了预测的解释性。
主要关键词