Learning to Beat: Phenotype-Guided Latent Flow with Regional Motion Priors for Biventricular Motion Synthesis

📄 arXiv: 2608.19738v1 📥 PDF

作者: Xuan Yang, Xiaohan Yuan, Hao Li, Lingyu Chen, Yanan Liu, Qingya Li, Lei Li

分类: cs.CV, cs.AI

发布日期: 2026-08-20

备注: 14pages, 10 figures

💡 一句话要点

提出基于表型引导的区域运动先验以合成双心室运动

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 心脏运动合成 功能分区 条件潜在流 表型自适应 医学影像分析

📋 核心要点

  1. 现有方法在双心室运动合成中面临空间异质性和表型依赖性的问题，导致局部运动模式难以捕捉。
  2. 本文提出了一种区域特定且表型自适应的框架，通过功能分区和条件潜在流来实现运动合成。
  3. 在ACDC、M&Ms和M&Ms-2数据集上的实验表明，该方法在几何精度和功能保真度上均优于现有竞争方法。

📝 摘要（中文）

双心室几何形态的全周期特征对于心脏功能的表征至关重要。然而，密集且时间一致的3D+t双心室网格并不常规可得，而舒张末期（ED）解剖结构通常可以可靠获取。因此，本文研究了如何从单一ED网格合成全周期双心室运动。由于心脏变形具有空间异质性和表型依赖性，传统的全局生成模型往往会掩盖局部运动模式。我们提出了一种区域特定且表型自适应的框架，结合了运动信息驱动的功能分区和条件潜在流。实验结果表明，该方法在几何精度和功能保真度上均有显著提升。

🔬 方法详解

问题定义：本文旨在解决从单一ED网格合成全周期双心室运动的问题。现有方法由于缺乏对局部运动模式的捕捉，无法有效处理心脏变形的空间异质性和表型依赖性。

核心思路：我们提出了一种区域特定且表型自适应的框架，通过运动信息驱动的功能分区和条件潜在流来实现更精确的运动合成。这种设计能够更好地捕捉心脏的局部动态特征。

技术框架：整体架构包括两个主要模块：功能分区模块和条件潜在流模型。功能分区模块通过重建运动来组织心室表面为具有一致动态的区域，而条件潜在流模型则通过细粒度条件和原型路由运动适配器将ED解剖映射到全周期运动潜变量。

关键创新：本文的主要创新在于引入了区域特定的功能分区和表型条件的潜在流模型，这与传统的全局生成模型形成了鲜明对比，能够更好地捕捉局部运动模式。

关键设计：在模型设计中，我们采用了运动描述符的可选控制分支，以实现可控的合成。此外，损失函数的设计也考虑了几何精度和功能保真度的平衡。整体网络结构经过优化，以确保在不同表型和疾病类型下的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在ED-only合成的实验中，我们的方法在双心室ASSD、HD95和vRMSE指标上分别达到了1.49±0.34mm、3.77±1.06mm和3.31±1.03mm，显著优于所有竞争方法。此外，合成序列在生理上保持了合理的心室动态，并在不同人群和疾病表型中具有良好的泛化能力。

🎯 应用场景

该研究的潜在应用领域包括医学影像分析、心脏病诊断和治疗规划等。通过提供高质量的双心室运动合成，能够帮助医生更好地理解心脏功能，进而改善患者的治疗效果。未来，该方法有望在个性化医疗和心脏疾病的早期检测中发挥重要作用。

📄 摘要（原文）

Full-cycle biventricular geometry is essential for characterizing cardiac function. However, dense and temporally consistent 3D+t biventricular meshes are not routinely available, whereas end-diastolic (ED) anatomy can often be obtained reliably. We therefore investigate full-cycle biventricular motion synthesis from a single ED mesh. This task is challenging because cardiac deformation is spatially heterogeneous and phenotype dependent, while conventional global generative models often obscure localized motion patterns. In this study, we propose a region-specific and phenotype-adaptive framework that integrates motion-informed functional parcellation with conditional latent flow. A functional partition learned from reconstructed motion organizes the ventricular surface into regions with coherent dynamics and enables topology-aware regional feature exchange. A phenotype-conditioned rectified-flow model subsequently maps the ED anatomy to full-cycle motion latents through fine-grained conditioning and prototype-routed motion adapters. An optional control branch further incorporates available motion descriptors for controllable synthesis. Experiments on ACDC, M\&Ms, and M\&Ms-2 demonstrate consistent improvements in geometric accuracy and functional fidelity. Under ED-only synthesis, our method achieves biventricular ASSD, HD95, and vRMSE of (1.49\pm0.34)~mm, (3.77\pm1.06)~mm, and (3.31\pm1.03)~mm, respectively, outperforming all competing methods. Complementary functional and robustness evaluations further demonstrate that the synthesized sequences preserve physiologically plausible ventricular dynamics and generalize across cohorts and disease phenotypes. The code will be released publicly upon acceptance of the manuscript for publication.