论文精读（十三）Carver右心室重建
论文精读：Carver: Learning to Reconstruct Right Ventricle from Sparse Multi-View 2D Echocardiograms
项目地址：https://github.com/ustclyd/Carver
ICASSP 2025（CCF B）
摘要
从多视角超声心动图中准确重建右心室的三维结构对于定量诊断心脏疾病至关重要。然而，由于右心室结构的复杂性和非平行超声视图的稀疏性，现有的方法往往无法提供令人满意的结果。在本文中，我们提出了一种名为 Carver 的高效重建方法，它首次将右心室的三维重建重新定义为体素密集预测任务。其核心思想在于利用深度神经网络学习从粗几何凸壳到右心室精细结构的端到端变形，类似于雕刻。为了提高重建的准确性和鲁棒性，我们设计了一个双感知网络，结合先前的轮廓信息来增强学习的代表性。我们在包含 1,278 个实例的超声心动图数据集上进行了大量实验，以验证所提方法的有效性。实验结果表明，Carver 的表现优于现有的最先进方法，在射血分数方面取得了 98.75% 的体积相似度 (VS)、97.80% 的骰子相似系数 (DSC)、4.96 的豪斯多夫距离 (HD) 和 0.013 的均方根误差 (RMSE)，同时即使输入较少也保持了相当高的鲁棒性。代码见 https://github.com/ustclyd/Carver。关键词-深度学习、右心室重建、多视角超声心动图、双感知网络。
这篇文章介绍了一种名为Carver的深度学习方法，用于从稀疏多视角二维超声心动图中重建右心室（RV）的三维结构。该方法通过重新定义RV重建任务为体素级密集预测任务，并设计了一个双感知网络来提高重建的准确性和鲁棒性。Carver在大规模临床数据集上的表现优于现有方法，尤其是在稀疏输入条件下，显示出较高的临床应用潜力。
代码仓库只有双感知网络架构，并没有论文前期的数据处理和真实数据。
背景知识（AI生成）
心血管疾病（CVD）是全球主要的死亡原因之一，而右心室（RV）功能评估对于CVD的量化诊断至关重要。RV功能评估依赖于准确测量RV在收缩末期和舒张末期的体积，以计算RV射血分数（RVEF）。然而，通过超声心动图测量RVEF需要从多视角二维超声图像中准确重建RV的三维结构，这面临两大挑战：RV结构复杂，难以用传统数学方法近似；现有三维重建方法无法准确处理非平行视角和稀疏的二维超声图像。
论文工作
卡弗重新定义了3D重建过程，将其作为一个体素密集预测任务。卡弗背后的主要动机是使用深度神经网络从粗几何凸壳到细RV结构学习端到端变形映射。其次，为了进一步提高重建准确性和鲁棒性，我们设计了一个形状和轮廓感知网络，它以3D凸壳和轮廓作为双通道输入以增强学习表示。最后，我们对一个大规模数据集进行定量实验。实验结果表明，Carver在重建准确性和计算效率方面优于现有的最先进方法，特别是在更稀疏的输入下保持相当大的鲁棒性。
Data Generation Module：构建一个双通道体素网格，一个通道表示轮廓，另一个通道表示凸壳。轮廓通道是体素化的三维轮廓，凸壳通道是这些三维轮廓的凸壳的体素表示。在数据生成过程中，我们首先根据传感器记录的参数计算变换矩阵，然后根据变换矩阵将二维轮廓转换为三维空间。最后，通过插值和采样，我们可以得到这些三维轮廓的双通道体素网格及其凸壳。
Dual-aware Network: 我们将 RV 重建重新定义为从初始粗凸壳到精细 RV 结构的变形过程。我们引入了一个双感知网络来预测精确的 RV 三维结构。双感知网络将双通道体素网格作为输入，同时学习凸壳和三维轮廓的特征，以确保重建的准确性和鲁棒性。凸壳体素作为基本形状输入网络，并根据目标 RV 进行变形，而轮廓体素则作为辅助信息用于增强边缘细节的学习表示。双感知网络以经典的 U 型结构为骨干，由编码器和解码器组成，并带有跳转连接。编码器由三维 CNN 块组成，对输入体素进行降采样并学习其特征。解码器由三维 CNN 块和解卷积操作组成，用于上采样特征和预测 RV 象素。我们在 CNN 块中添加了 SE 层模块，以进一步提高网络的表示能力。
实验结果
消融实验：
对比实验：
