Learning Cardiac Motion Priors for Implicit Neural Representations
作者: Andrew Bell, George Webber, Andrew P King, Steffen E Petersen, Muhummad Sohaib Nazir, Alistair Young
分类: cs.CV, cs.AI
发布日期: 2026-07-01
💡 一句话要点
提出心脏运动先验以优化隐式神经表示的适应性
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 隐式神经表示 心脏运动估计 运动先验 自编码器 元学习 医学影像 优化算法
📋 核心要点
- 现有方法在心脏运动估计中拟合隐式神经表示时耗时且对优化过程敏感，导致适应性不足。
- 论文提出了四种学习心脏运动先验的策略，以引导优化过程并提高适应速度，包含人群先验、共识先验、自编码器和元学习。
- 实验结果显示，所有学习的先验在早期适应性能上显著优于随机初始化，尤其是自编码器和元学习表现突出。
📝 摘要（中文）
隐式神经表示（INRs）非常适合心脏运动估计，能够提供连续且紧凑的运动场表示。然而，为每个图像序列拟合INR耗时且对优化轨迹敏感。学习先验可以帮助引导优化朝向合理的运动场并加速适应，但针对心脏运动INRs的先验学习仍然未被充分探索。本文比较了四种学习心脏运动先验的策略，包括通过联合优化学习的人群先验、通过权重平均获得的共识先验、自编码器和元学习。使用来自UK Biobank的短轴标记心脏磁共振图像，我们评估了这些方法对跟踪精度、运动行为和适应轨迹的影响。所有学习的先验在早期适应性能上显著优于随机初始化。尽管简单的共识先验有效，但自编码器在早期适应中更快地恢复了大变形。元学习在早期表现上取得了良好效果，并在50次迭代中保持了最佳适应轨迹。
🔬 方法详解
问题定义：本研究旨在解决隐式神经表示在心脏运动估计中的适应性不足问题。现有方法在拟合过程中耗时且对优化轨迹敏感，影响了运动场的准确性和效率。
核心思路：论文通过学习心脏运动的先验知识，来引导优化过程，使其更快收敛到合理的运动场。通过比较不同的学习策略，寻找最佳的先验学习方法以提高适应性。
技术框架：整体架构包括四个主要模块：人群先验通过联合优化学习，共识先验通过权重平均获得，自编码器用于快速恢复大变形，元学习则用于优化适应轨迹。每个模块都针对不同的优化需求进行设计。
关键创新：最重要的技术创新在于提出了多种学习心脏运动先验的策略，尤其是自编码器和元学习在早期适应中的表现优于传统方法，显著提升了运动场的恢复速度和准确性。
关键设计：在参数设置上，采用了适应性学习率和特定的损失函数来优化运动场的拟合效果。网络结构方面，自编码器设计为能够处理大变形的特征提取与重构，确保在早期适应阶段的高效性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所有学习的先验在早期适应性能上显著优于随机初始化，尤其是自编码器在恢复大变形方面表现更快。元学习在50次迭代中保持了最佳适应轨迹，显示出其在优化过程中的优势。
🎯 应用场景
该研究的潜在应用领域包括医学影像分析、心脏病诊断及治疗规划等。通过提高心脏运动估计的准确性和效率，能够为临床提供更可靠的支持，进而改善患者的治疗效果。未来，该技术可能在实时心脏监测和个性化医疗中发挥重要作用。
📄 摘要（原文）
Implicit neural representations (INRs) are well suited to cardiac motion estimation, providing continuous, compact representations of motion fields. However, fitting an INR to each image sequence is time-consuming and sensitive to the optimisation trajectory. Learned priors can help guide optimisation towards plausible motion fields and enable faster adaptation, but learning priors for cardiac motion INRs remains under-explored. In this work, we compare four strategies for learning cardiac motion priors, including a population prior learned by joint optimisation, a consensus prior obtained by weight averaging, auto-decoders, and meta-learning. Using short-axis tagged cardiac magnetic resonance images from the UK Biobank, we evaluate their impact on tracking accuracy, motion behaviour, and adaptation trajectory. All learned priors substantially improved early adaptation performance compared with random initialisation. While the simple consensus prior was effective, auto-decoders recovered large deformations faster during early adaptation. Meta-learning achieved strong early performance and maintained the best adaptation trajectory over 50 iterations.