Le cœur en filigrane : comment l'IA reconstruit sa forme en 3D express
Le cœur n'est pas une sphère parfaite ; sa forme change à chaque battement. Pour construire une copie tridimensionnelle précise destinée à un modèle informatique, on réalise généralement des dizaines de coupes au scanner à résonance magnétique. Mais c'est comme essayer de reconstituer une pastèque à partir de fines tranches : moins il y a de tranches, plus on doit deviner.
La nouvelle approche apprend à un réseau de neurones à comprendre la forme du cœur à partir de contours espacés. C'est un peu comme un sculpteur qui reconstituerait une statue à partir de quelques croquis pris sous différents angles. Au lieu de règles d'interpolation rigides (tracer des lignes entre les points), le réseau mémorise à quoi ressemblent les cœurs sains et malades, et « dessine » ce qui manque. Lors des tests sur des modèles informatiques et des images réelles, la méthode a reproduit la forme avec plus de précision, notamment au niveau de la pointe du cœur, un endroit où les algorithmes classiques se trompent souvent.
Cette reconstruction est une première étape vers le jumeau numérique du cœur : une copie virtuelle sur laquelle on peut tester des médicaments ou une opération avant l'intervention réelle. Les scientifiques utilisent déjà des approches similaires pour l'IRM des petits animaux, où chaque image est très précieuse.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2603.27003
Computational models of cardiac structure and function are increasingly central to the development of subject-specific cardiac digital twins, enabling improved characterization of contractile dysfunction, pathological remodeling, and electrical abnormalities. A critical prerequisite for these models is the accurate reconstruction of three-dimensional (3D) cardiac anatomy from medical imaging. Multi-planar magnetic resonance imaging, particularly when combined with artificial intelligence, offers a clinically feasible alternative to conventional reconstruction techniques. In this study, we present a neural field-based reconstruction framework that recovers 3D cardiac geometries from sparse planar contour data by learning continuous shape representations. Reconstruction performance was evaluated using complementary in-silico and in vivo datasets spanning variations in sampling density and geometric complexity. Across both datasets, reconstructed meshes closely matched reference geometries, demonstrating that the neural field approach faithfully captures cardiac planar contours. Compared with traditional local interpolation methods, the proposed framework exhibited improved geometric fidelity in anatomically challenging regions, including the left ventricular apex and basal segments, particularly under sparse sampling conditions. Collectively, these findings demonstrate that neural field-based reconstruction provides a robust and efficient pathway for multi-planar cardiac shape recovery, with particular relevance for AI-driven modeling pipelines and data-limited settings such as small-animal and time-resolved cardiac imaging.
La pointe du ventricule gauche est l'un des endroits les plus difficiles pour la reconstruction 3D : elle est pointue et bouge beaucoup à chaque contraction.