摘要
计算模型广泛应用于人类心脏的电机和流体动力学功能研究，并支持如计算机临床试验等应用。然而，大多数研究仍限于单一或特定患者的解剖结构，限制了对不确定性量化所需的群体水平变异性的纳入。
一个关键挑战是将医疗图像分割（可能包含伪影、网格缺陷或不连续域）转换为适合多物理场模拟的拓扑一致几何体。本文提出了一个半自动化管道，能够在几分钟内将基于CT的分割转换为可模拟的心脏网格，同时保持解剖和拓扑的一致性。
该框架基于现代深度学习分割方法，包含一个基于模板的配准阶段，以正则化伪影并强制执行网格质量约束。使用Chamfer距离变形策略，将高质量模板变形至每个分割的心脏，匹配各个腔室，同时保持拓扑一致。结果生成的网格是水密的、等拓扑的，并具有一致的点对点对应关系。
该管道在58个健康心脏CT扫描上进行了验证，包括所有心脏腔室和近端血管段。结果网格可以在统一的形状空间中表示，从而构建心脏及主要血管的统计形状模型。主成分分析显示，低维潜在空间有效捕获了群体变异性，而高斯混合建模则实现了合成解剖结构的生成。总的来说，所提出的框架（已开源）为从原始分割到可模拟的心脏几何体提供了一条路径，能够支持大规模的计算机内研究中的解剖一致的虚拟队列。
博主点评： 该框架通过引入深度学习与模板配准技术，有效解决了心脏模型生成中的多种挑战，极大提升了模型的质量和可用性，为未来的临床研究提供了强有力的工具支持。其开源特性也将促进相关领域的研究与应用发展。