RePCM: 영역 특화 및 표현형 적응형 양심실 심장 운동 합성

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.