Сердце по контуру: как ИИ собирает 3D-форму экспресс
Сердце — не идеальный шар, его форма меняется от удара к удару. Чтобы построить точную трёхмерную копию для компьютерной модели, обычно делают десятки срезов на магнитно-резонансном томографе. Но это как собирать арбуз из тонких ломтиков: чем меньше срезов, тем больше догадок.
Новый подход учит нейросеть понимать форму сердца по редким контурам. Это похоже на то, как скульптор восстанавливает статую по нескольким наброскам с разных ракурсов. Вместо жёстких правил интерполяции (провести линии между точками) сеть запоминает, как выглядят здоровые и больные сердца, и «дорисовывает» недостающее. В испытаниях на компьютерных моделях и реальных снимках метод точнее повторял форму, особенно у верхушки сердца — места, где обычные алгоритмы часто ошибаются.
Такая реконструкция — первый шаг к цифровому двойнику сердца: виртуальной копии, на которой можно проверять лекарства или операцию до реального вмешательства. Учёные уже используют похожие подходы для МРТ мелких животных, где каждый снимок — большая ценность.
Оригинальная аннотация
как её написали авторы, на английском 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.
Верхушка левого желудочка — одно из самых трудных мест для 3D-реконструкции: она заострённая и сильно двигается при каждом сокращении.