2026.6.9
本文提出结合显式可微体素化与切片DVS和图谐波全局变形GHD的免训练框架，从稠密或稀疏医学切片直接重建高质量左心室网格。
Title题目
01
Explicit differentiable slicing and global deformation for cardiac mesh reconstruction
用于心脏网格重建的显式可微切片与全局变形
文献速递介绍
02
论文首先指出，患者特异性心脏三维网格对于心脏形态与运动测量、诊断预后、物理仿真、手术规划等任务非常重要。但实际医学图像常以二维切片形式获得，且存在分辨率不足、层间距大、噪声强和个体解剖差异显著等问题。现有主流路线多先做体素分割，再通过Marching Cubes或点云表面重建生成网格，这会带来阶梯伪影、拓扑不可控、面片数量过多、平滑性差以及整个流程不可微等问题。另一类基于GCN、VAE或统计形状模型的方法能够直接预测网格或形变，但往往需要大量高质量网格真值，而这些真值通常仍来自Marching Cubes并继承其缺陷。作者因此提出两个核心贡献：一是DVS，用于从二维图像标签对三维网格进行直接、全局、可微监督；二是GHD，用图傅里叶谱基描述网格形变，使模板网格能够平滑、稳定地变形成患者特异形状。二者结合形成无需训练、可端到端优化、适配稠密和稀疏切片的心脏网格重建框架。
相关工作
论文系统回顾了非网格式重建、统计形状模型、网格深度学习、跨域监督近似方法和全局网格变形。Marching Cubes适合从体素标签中提取表面，但容易产生阶梯伪影和拓扑缺陷，且不可微，难以嵌入端到端学习。统计形状模型通过PCA、POD或VAE学习低维形状空间，具有一定紧凑性，但依赖统一拓扑训练网格，且表达能力受训练集分布限制。网格深度学习方法通过CNN和GCN等结构预测模板变形，能获得高精度结果，但通常需要昂贵的网格真值监督。已有跨域监督方法如Chamfer距离、可微光栅化或近似可微体素化，多数属于局部边界监督或间接图像级监督，容易陷入局部最小值，且不一定能直接把图像损失传回网格层面。相比之下，本文的DVS利用全局占据场建立从图像切片到三维网格的直接监督；GHD则借鉴图傅里叶和谱网格处理，将顶点位移表示为表面谐波组合，从而避免逐顶点变形带来的振荡、自交和质量退化。
理论框架：可微体素化与切片DVS
DVS的目标是让三维网格在任意查询点或图像切片采样点上的内外占据关系变成可微函数，从而可以用二维分割掩膜上的Dice损失来优化三维网格。作者从高斯定理和绕数思想出发，把查询点视作产生反平方向量场的源点，并在网格表面上积分该场与外法向的通量。如果查询点在封闭表面内部，积分结果对应占据值；如果在外部，则占据值趋近于零。离散实现中，作者既可以按顶点及其对偶面积求和，也可以按面片法向、面片重心和面积求和。为了保证连续可微并提供非零梯度，作者用tanh函数近似二值占据。该方法的关键特征是全局性：每个查询点的占据由整个网格表面共同决定，而不是只比较局部边界距离，因此相比Chamfer距离或局部光栅化监督更不容易陷入局部最优。DVS也能处理非严格水密网格，且可对前景和背景点同时采样；其复杂度与网格规模和查询点数双线性相关，但可通过GPU和随机下采样加速。
理论框架：图谐波变形GHD
GHD把模板网格的连接关系看作图，把每个顶点的位移看作定义在图节点上的信号，并用图拉普拉斯矩阵的特征向量作为图傅里叶基来表示形变。低频基对应整体、平滑的大尺度形变，高频基对应更细节的局部变化。这样，网格变形不再是每个顶点独立移动，而是若干表面谐波模式的线性组合；优化变量是这些谱系数。论文采用以cotangent权重为主的混合拉普拉斯，同时加入无权拉普拉斯和距离归一化拉普拉斯作为弱正则，以提升数值稳定性并保留局部几何信息。GHD的优势在于，它在保持足够表达能力的同时自然抑制不平滑的高频噪声，因而无需额外光滑正则就能保持三角形质量和拓扑一致性。优化时，如果有网格真值，可用Chamfer距离；如果只有图像标签，则可用DVS得到的切片占据与真实分割之间的Dice损失。
可微生理约束
除DVS和GHD外，论文还设计了可微的辅助生理约束，以提升稀疏切片场景下的解剖合理性。第一个是可微壁厚函数，用于约束心肌壁厚，避免在监督不足的区域特别是心尖处发生内外膜交叉、塌陷或零厚度。该函数通过相对表面上最近且法向相反的点对来估计局部厚度，并可直接加入损失函数。第二个是可微心肌体积函数，它利用散度定理把体积计算转化为网格表面积分的离散形式，可用于约束缩放、形变以及弱不可压缩性。这些算子说明该框架不只适合重建，还可以把解剖与生理先验以可微方式接入网格优化。
提出的GHD+DVS框架
完整流程从医学图像预处理开始，包括去模糊、重采样和强度归一化，然后通过人工或U-Net等方法获得分割掩膜，并从左心室心肌、左心室腔、右心室等标签中提取点云。为了让模板网格和目标图像粗略对齐，作者先进行刚性配准，利用左心室中心、右心室中心、长轴、短轴和心尖位置确定初始方位，并用四元数旋转和平移优化进一步对齐。模板是一个约4000个顶点的手工优化左心室网格，近似训练数据平均形状。随后进入核心的GHD优化阶段：模板形变由图谐波系数控制，DVS在输入切片位置生成当前网格占据，与真实分割掩膜计算Dice损失；必要时再加入厚度约束和体积约束。优化器采用Adam。该流程不要求三维网格真值，不需要训练形状先验，也不需要Marching Cubes式后处理。
Aastract摘要
03
本文关注从医学图像重建患者特异性三维心脏网格的问题，尤其针对临床中常见的稀疏、噪声较大、层间距较大的二维切片数据。传统Marching Cubes等体素后处理方法不可微、网格质量不稳定，而基于深度学习的网格方法又依赖大量三维网格真值。作者提出显式可微体素化与切片算法DVS，使二维切片上的分割监督能够直接反向传播到三维网格；同时提出图谐波变形GHD，用网格拉普拉斯谱基表示全局形变，以自然保持平滑性和三角形质量。GHD+DVS框架无需预训练、无需网格真值，也无需复杂后处理，在CT稠密数据和MRI稀疏切片数据上均达到或接近最优性能，并可稳定估计射血分数、心腔体积和全局心肌应变等临床指标。
Method方法
04
实验设置
论文在多个数据集上评估方法，包括稠密CT数据MMWHS和CCT48，以及较稀疏的MR数据ACDC、UK Biobank和三维超声相关的MITEA。CT数据具有较高空间分辨率，适合评估稠密图像下的形状表达能力；MRI短轴和长轴切片通常层间距较大，适合检验稀疏采样下的重建鲁棒性。评价指标包括Dice相似系数、Chamfer Distance和Hausdorff Distance，分别衡量体素占据重叠、平均表面距离和最坏表面偏差。作者还使用良好角比例GAR衡量网格质量，即三角形三个角均落在30度到120度之间的面片比例，以反映是否适合有限元仿真等下游任务。
Discussion讨论
05
讨论部分总结认为，GHD+DVS是一个免训练、可微、跨模态的左心室网格重建框架，可适用于CT、MRI和超声相关数据。DVS解决了二维切片分割到三维网格优化之间的直接可微监督问题，GHD则提供了平滑且可调细节层级的全局形变表示。作者指出，GHD基的数量可作为细节与平滑性的调节旋钮：基数增加时能捕捉更细结构，Dice提高；还可以在GHD后叠加逐顶点局部变形进一步增强局部细节。不过，框架仍依赖较准确的分割和解剖方位信息，遇到MRI呼吸屏气伪影导致的切片错位或低质量分割时可能受影响。DVS计算复杂度相对于网格规模和查询点数量为双线性，虽然GPU可实现较快拟合，但仍有优化空间。未来方向包括引入图像特征跟踪、点位或乳头肌等解剖标志配准、时间一致性约束、不可压缩性等物理约束，并扩展到全心、颅内动脉瘤、血管、脑、肝、胎盘等其他器官组织。
Results结果
06
GHD的收敛性与网格质量结果
作者首先比较GHD与传统逐顶点坐标形变在网格真值监督下的收敛情况。结果显示，在相同优化器和学习率下，GHD收敛更快、更稳定，最终Chamfer损失更低。可视化结果表明，逐顶点形变容易产生尖锐边、三角形不规则和局部振荡；如果强行加大光滑正则，虽然能改善网格外观，却会牺牲拟合精度和收敛速度。GHD则通过低维谱基天然保持形变平滑，避免了精度与网格质量之间的典型冲突。GAR结果进一步支持这一点：坐标形变会显著降低好角比例，而GHD在优化中能更好保留高质量三角形。
稠密CT数据上的结果
在CT重建任务中，作者比较了Marching Cubes加平滑、坐标形变、PCA统计形状模型、VAE形状模型、MeshVAE、TopNet、Michelangelo以及GHD等方法。表1显示，Marching Cubes加平滑在Dice和距离指标上较强，但网格拓扑和顶点结构不稳定。PCA和MeshVAE等统计或学习式低维模型受训练分布和表达能力限制，泛化到测试数据时性能下降明显；VAE在训练集上表现很好但测试集过拟合严重。GHD在使用Chamfer监督时取得较低CD和HD，说明表面几何更平滑、更准确；用DVS作为损失时，GHD+DVS获得98.6%的Dice，并保持一致拓扑和较好网格质量。作者强调，GHD是紧凑、显式、无需预训练且支持梯度拟合的形状表示，在表达能力和稳定性之间取得较好平衡。
稀疏MRI数据上的结果
稀疏MRI短轴重建是论文的重点难点，因为仅有少数切片会使三维形状高度欠约束。作者把ACDC和UKBB数据下采样到5张短轴切片进行重建，并在短轴及长轴视图上评估。表2显示，Marching Cubes在插值后可获得中等Dice，但网格存在阶梯伪影、孔洞和拓扑缺陷；平滑处理改善外观但不能根本解决拓扑问题。坐标形变配合ADVS或可微光栅化并不能显著优于基线，说明局部或近似监督不足以稳定恢复三维形状。坐标形变配合DVS已有明显提升，而GHD+DVS进一步显著提高Dice和HD表现，在ACDC上达到92.6%的3D Dice，在UKBB上达到95.2%的3D Dice，并在长轴评估上表现很强。与GraphNet、TopNet、Michelangelo等深度学习方法相比，GHD+DVS无需训练数据和网格真值，却在有限数据场景下更稳定、更准确。
多平面重建鲁棒性
论文进一步验证GHD+DVS对切片方向的鲁棒性。在MITEA三维超声相关数据中，作者对10个病例随机选择不同视图组合，每个组合包含2到4个成像视图，并模拟约正负30度的缩短误差。单病例示例显示，不同切片方向下重建出的ED和ES网格Dice均保持在较高水平，射血分数估计也稳定。所有50次重建平均Dice为93.8±2.1%，Chamfer Distance为0.17±0.08 mm，Hausdorff Distance为1.82±0.64 mm；射血分数误差为1.4±0.7%，同一病例不同视图配置之间的标准差仅0.9%。这说明该框架原则上不依赖固定成像平面，但仍需要切片对三维空间有足够互补覆盖。
临床分析
作者将重建出的左心室三维网格用于临床相关量化，包括左室腔体积、射血分数EF和全局心肌应变。对于体积和EF，作者使用MITEA数据中50张密集短轴分割作为参考，对比不同稀疏切片数量下Marching Cubes和GHD+DVS的稳定性。结果显示，传统Simpson法或等价的Marching Cubes在切片减少时会出现显著体积偏移，ED体积与稀疏程度存在显著偏差；GHD+DVS在稀疏情形下仍能保持更接近密集真值的体积和EF。对于应变分析，作者在UK Biobank的15个病例上比较GHD+DVS从三维网格切片得到的全局纵向应变和环向应变与人工边界计算结果，二者高度一致。论文还展示了跨整个心动周期的体积曲线，Marching Cubes在切片减少时出现明显漂移，而GHD+DVS保持稳定。此外，在ACDC的正常、扩张型心肌病、肥厚型心肌病和心肌梗死病例中，GHD+DVS能够捕捉不同病理形态，如壁厚不均、腔体大小变化和非对称结构，并得到符合临床预期的EF。
Figure图
07
图1.该图对比了三类三维心脏网格重建路线：基于体素分割再后处理的传统流程、基于逐顶点形变和网格真值监督的网格优化流程，以及本文提出的图像到网格跨域可微监督流程。图中突出显示，传统方法不可微、网格不均匀且质量差，已有网格方法依赖网格真值且只有部分可微；本文通过DVS实现可微体素化和切片，通过GHD实现全局平滑变形，从而直接用稀疏医学切片监督模板网格重建。
图2.该图展示了查询点位于左心室网格外部和内部时产生的反平方向量场，以及该场与网格外法向内积在表面上的分布。外部点的正负通量相互抵消，占据趋近0；内部点的积分得到占据值1。它直观说明了DVS为何能把网格内外判断转化为一个由全表面通量积分得到的可微占据函数。
图3 GHD的混合拉普拉斯谱模式
图3.该图展示了混合拉普拉斯不同特征模式在左心室表面上的能量分布。低阶模式对应整体平滑的形变，高阶模式对应更高频、更局部的细节变化。红色表示向外位移，蓝色表示向内位移。该图说明GHD用图傅里叶基描述形变时，可以通过选择基的数量控制变形自由度和细节层级。
图4 GHD+DVS整体流程
图4.该图给出从医学图像到左心室三维网格的完整管线：先进行图像预处理和分割，再对模板网格进行刚性方向对齐，随后用DVS在切片上建立图像到网格的Dice监督，并用GHD优化模板的全局谐波形变。图右侧还展示了可微体积、厚度和网格质量等辅助算子，说明该框架可自然加入解剖与生理约束。
图5该图显示，在相同优化条件下，GHD比传统坐标逐顶点形变收敛更快、更稳定，并保持更好的三角形质量。逐顶点方法虽然可降低损失，但容易造成尖锐边和不规则三角形，GAR从较高水平下降到约53.4%；GHD则在拟合过程中保持平滑，GAR约85.9%，证明其更适合需要高质量网格的心脏建模与仿真。
图6该图比较了从稀疏MRI切片重建左心室网格的多种方法。Marching Cubes和插值方法出现阶梯伪影和拓扑缺陷；ADVS或可微光栅化结合坐标形变仍存在边界误差和局部不稳定；DVS结合坐标形变有所改善，而DVS+GHD得到的网格最平滑、与绿色真值最接近，在ED和ES阶段都表现更稳健。
图7该图展示同一患者在不同切片方向组合下的ED和ES重建结果。红色平面代表输入切片，蓝色边界代表分割轮廓，线框为重建网格。不同方向设置下Dice和EF都保持接近，说明GHD+DVS不依赖固定成像方向，只要切片提供足够空间约束，就能稳定恢复三维形状。
图8该图从三个角度验证临床可用性：稀疏分割下，Marching Cubes或Simpson法的ED体积估计随切片减少发生显著偏移，而GHD+DVS更接近密集真值；EF估计中GHD+DVS误差更小、更稳定；在UK Biobank病例上，GHD+DVS得到的全局环向应变和纵向应变与人工测量高度一致。
图9该图比较单个心动周期20帧内，Marching Cubes和DVS+GHD在不同分割切片数量下的左室腔体积曲线。随着切片从56张减少到20张或10张，Marching Cubes出现明显体积漂移，而DVS+GHD的曲线更一致，说明其在稀疏时序成像中能更稳定地估计EDV、ESV和动态体积变化。
图10该图展示ACDC数据集中正常、扩张型心肌病、肥厚型心肌病和心肌梗死病例的重建效果。灰色为GHD+DVS重建，绿色切片为真值标注。结果表明，即使存在壁厚不均、非对称、腔体扩张或收缩功能下降等病理特征，该方法仍能获得较高Dice并估计出符合临床预期的体积和EF。
图11该图比较不同GHD基数量以及后续逐顶点微调对细节恢复的影响。36个基的GHD已经能获得较平滑结果，64个基进一步提高Dice并降低局部误差，在64个基之后叠加局部顶点形变可将Dice提高到约97.0%。这说明GHD框架可通过增加谱基或局部微调在平滑性和细节精度之间灵活折中。
图12该图展示GHD从标准动脉瘤模板逐步拟合到目标颅内动脉瘤及周围血管形状的过程。虽然论文主任务是左心室重建，但该图说明GHD+DVS思想具有较强通用性，有潜力扩展到血管、脑、肝脏等其他医学三维结构重建任务。
