RePCM: 영역 특화 및 표현형 적응형 양심실 심장 운동 합성

원문 발행 2026. 05. 20. 23:26원문 언어 영어AI 한국어 번역arXiv cs.AI 원문 보기

요약

본 연구는 이완기 말(end-diastolic) 프레임 하나를 활용하여 전체 심장 주기 동안의 양심실 메쉬 운동을 합성하는 RePCM 모델을 제안합니다. 기존 생성 모델의 데이터 과도 매끄러움(oversmoothing) 문제를 해결하기 위해 영역 인식 및 표현형 적응형 기술을 도입하여 국소적 역학을 보존합니다. 실험 결과, 다양한 심혈관 질환 데이터셋에서 기하학적 및 기능적 지표의 성능 향상을 입증했습니다.

핵심 포인트

단일 프레임(ED)을 기반으로 전체 심장 주기 메쉬 시퀀스를 추론하는 기술 제안
클러스터링을 통한 기능적 분할로 명시적인 영역 구조를 제공하여 국소적 역학 보존
조건부 VAE와 영역 특화 주입 모듈을 사용하여 영역 간 혼합 현상 방지
표현형 적응형 전문가 혼합(MoE)을 통해 질환 간의 변동성 및 해부학적 특성 모델링

심장 주기(cardiac cycle) 동안의 심장 운동은 국소적 기능(regional function)을 정량화하는 데 매우 중요하며, 심혈관 질환에 의해 강력한 영향을 받습니다. 실제 환경에서는 시간적으로 조밀한 메쉬 시퀀스(mesh sequences)를 얻기 어렵기 때문에, 본 연구에서는 보다 접근하기 쉬운 이완기 말(end-diastolic) 프레임을 활용하여 전체 주기 시퀀스를 추론하는 데 집중합니다. 강력한 영역별 및 질환별 차이로 인해, 기존 방식들은 전역적 패턴(global patterns)에 최적화된 생성 모델(generative models)에 의존함으로써 데이터를 과도하게 매끄럽게 만드는(oversmooth) 경향이 있습니다. 이 문제를 해결하기 위해, 본 연구에서는 단일 프레임 양심실 메쉬 운동 완성(Bi-ventricular mesh motion completion)을 위한 영역 인식 및 표현형 적응형 양심실 심장 운동 합성(Region-Aware and Phenotype-Adaptive Bi-Ventricular Cardiac Motion Synthesis, RePCM)을 제안합니다. 1단계(Stage I)에서는 재구성 네트워크(reconstruction network)가 정점 단위(vertex-wise) 운동 기술자(motion descriptors)를 학습하며, 클러스터링(clustering)을 통해 데이터 기반의 기능적 분할(functional partition)을 생성하여 운동에서 유도된 명시적인 영역 구조를 제공합니다. 2단계(Stage II)에서는 영역 특화 주입 모듈(Region-Specific Injection Module)이 조건부 VAE(conditional VAE) 내에서 마스킹된 동기화된 영역 교환을 강제하여, 국소적인 특정 역학(localized specific dynamics)을 보존하고 영역 간 혼합(cross-region mixing)을 제한합니다. 이완기(ED) 형상에 조건화된 표현형 적응형 전문가 혼합(Phenotype-Adaptive Mixture-of-Experts) 사전 확률(prior)은 해부학적 가이드 단서(anatomy-guided cues)를 사용하여 잠재적 운동 추세(latent motion trends)를 모델링하고 질환 간 변동성(inter-disease variability)을 포착합니다. 다양한 심혈관 질환을 다루는 세 가지 데이터셋에 대한 실험 결과, 기하학적 및 기능적 지표에서 일관된 성능 향상을 보였으며 영역 특화 역학의 보존 능력이 개선되었음을 확인했습니다.

AI 자동 생성 콘텐츠

원문 바로가기

RePCM: 영역 특화 및 표현형 적응형 양심실 심장 운동 합성

요약

핵심 포인트

댓글