摘要

本文介绍了一种新颖的条件生成模型，用于心脏的空间-时间神经距离场的条件生成建模。该模型通过隐式方式模拟心脏的形状和运动，并结合临床人口统计数据进行条件化。传统的空间-时间建模方法需要形状对应或面临巨大的内存需求，而本文提出的模型通过神经距离场的方式，能够有效地处理复杂的心脏解剖结构，无需样本间的对应关系。该模型在左心房（包括左心耳）的建模中表现出色，能够生成逼真的心脏运动序列，为临床诊断和研究提供了新的工具。

原理

本文提出的模型基于自动解码器架构，通过神经距离场（SDF）来隐式地表示心脏的形状和运动。神经距离场是一个将任意空间-时间坐标映射到有符号距离的神经网络函数。该模型通过学习空间-时间坐标与其对应的有符号距离之间的关系，来确定心脏表面的位置。此外，模型引入了两个独立的潜在空间：一个是临床人口统计潜在空间，用于嵌入性别、年龄等临床数据；另一个是个体潜在空间，用于表示无法由临床数据描述的个体差异。这种双潜在空间的设置使得模型能够更好地解耦临床因素和个体差异，从而生成更符合特定临床条件的心脏解剖序列。

流程

模型的训练过程包括优化网络参数以最小化预测的有符号距离与真实距离之间的差异。在训练阶段，模型通过采样大量的空间-时间坐标及其对应的有符号距离值来优化网络。在实际应用中，模型可以基于单一时间帧的静态图像和临床数据来完成整个心脏周期的序列生成，或者根据特定的临床人口统计数据生成新的心脏解剖序列。具体来说，模型首先将临床数据映射到临床人口统计潜在空间，然后通过测试时优化找到个体潜在空间的最佳值，最后利用这些潜在空间值生成完整的心脏解剖序列。

应用

该模型在心脏疾病的诊断和研究中具有广泛的应用前景。例如，它可以用于从静态图像推断功能测量，生成具有特定人口统计或疾病特征的合成人群，以及研究非成像临床数据如何影响心脏解剖的形状和运动。此外，该模型还可以扩展到其他需要空间-时间建模的领域，如流体模拟、手术规划和疾病检测等。