4D Surface Mesh Reconstruction from Segmented Cardiac Images using Subdivision Surfaces
Notice bibliographique
Résumé
With the advances in cardiovascular imaging technologies in recent years, 4D (3D+time) patient-specific modeling of the heart has attracted many research interests. Computational modeling approaches such as Computational Fluid Dynamics (CFD) and Finite Element (FE) have been increasingly used to quantitatively diagnose and predict cardiovascular diseases. In these methods, the geometrical reconstruction of the heart anatomy is usually an indispensable step. This work presents a robust method for reconstructing time-varying subdivision surfaces from the segmentation masks of cardiac images. We first reconstruct a 3D mesh for the first time step by iteratively fitting an initial mesh based on error and tension terms. Each subsequent time step uses the model from its previous time step as the control mesh for subdivision surface fitting. This method preserves the 1-to-1 vertex correspondence between meshes in different time steps and allows us to control the mesh quality (i.e. resolution, smoothness, and accuracy). Furthermore, in contrast to contour-based algorithms, our method can handle non-trivial topological changes such as holes and tunnels. The method has been tested on 3D and 4D datasets of different modalities (i.e. CT and MRI), resolutions, and chambers. For creating visually appealing results, we show that synthetic textures can be mapped to the 4D reconstruction due to the vertex correspondence. We also quantitatively evaluate the reconstructed 3D meshes in terms of mesh quality and conformity to the data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».