의료 기기의 인실리코 임상 시험 (In-silico trials)을 위해서는 해부학적 구조의 가상 인구 (virtual populations) 생성이 필요합니다. 심혈관 응용 분야에서 가상 해부학은 일반적으로 생성 모델로부터 샘플링된 3D+t 메쉬 (mesh)로 표현됩니다. 그러나 기존의 대부분의 메쉬 생성기는 정적인 해부학에 집중하는 반면, 시퀀스 모델 (sequence models)은 명시적인 주기성 (periodicity)이 부족한 경우가 많습니다. 이를 위해, 우리는 메쉬를 인코딩하는 합성곱 메쉬 VAE (convolutional mesh VAE), 절단된 푸리에 급수 (truncated Fourier series)를 사용하여 움직임을 매개변수화하는 구조적 잠재 공간 (structural latent space), 그리고 푸리에 계수 토큰 (Fourier coefficient tokens)에 대한 잠재 분포를 학습하는 확산 사전 확률 (diffusion prior)로 구성된 조건부 생성 프레임워크인 4D F-MeshLDM을 제안합니다. 아핀 변조 (affine modulation)를 통해 임상 공변량 (clinical covariates)에 따라 확산 과정을 조건화함으로써, 우리는 제어 가능한 합성을 가능하게 합니다. 토큰을 샘플링하고 역 푸리에 합성 (inverse Fourier synthesis)을 수행하면 주기적 일관성을 가진 (cycle-consistent) 잠재 궤적 (latent trajectories)을 얻을 수 있으며, 이는 3D+t 심장 메쉬 시퀀스로 디코딩될 수 있습니다. 5,000명의 UK Biobank 피험자를 대상으로 한 실험 결과, 4D F-MeshLDM은 해부학적 충실도 (anatomical fidelity) 측면에서 최신 베이스라인 모델들을 능가하며 거의 0에 가까운 주기 폐쇄 오차 (cycle closure error)를 달성함을 입증했습니다. 또한, 생성된 코호트 (cohorts)는 임상 기능 지표 (clinical functional indices)를 정확하게 보존하며, 이는 신뢰할 수 있는 인실리코 심장 임상 시험을 위한 우리 프레임워크의 잠재력을 강조합니다.