ImageCHD

ImageCHD数据集包含110个3D计算机断层扫描（CT）图像，捕捉了从1个月到40岁的患者中各种先天性心脏病的广泛范围。本研究专注于具有法洛四联症的儿童患者子集，生成了高分辨率的心脏解剖网格，并使用多尺度数学模型进行电生理学模拟。通过统计形状建模和分支潜神经网络（BLNMs）的方法，研究团队成功地捕获了心脏解剖结构和功能的高度变异性，并展示了该模型在处理复杂解剖结构时的鲁棒性和泛化能力。

The ImageCHD dataset comprises 110 3D computed tomography (CT) images, covering a broad spectrum of congenital heart diseases across patients aged from 1 month to 40 years old. This study focuses on a subset of pediatric patients diagnosed with tetralogy of Fallot, for whom high-resolution cardiac anatomical meshes were generated, and electrophysiological simulations were conducted using multi-scale mathematical models. Through statistical shape modeling and branched latent neural networks (BLNMs), the research team successfully captured the high degree of variability in cardiac anatomy and function, and demonstrated the robustness and generalization ability of the model when handling complex anatomical structures.

原始信息汇总

BLNM数据集概述

数据集简介

• 名称：BLNM.py
• 描述：Python实现的Branched Latent Neural Maps (BLNMs)，用于构建物理过程的通用功能映射，以建立准确高效的替代模型。

关键技术特点

1. 结构特点：

   • 通过部分连接的神经网络结构分离输入的不同内在角色（如时间和模型参数）。
   • 可选择不同的解缠级别，将部分连接从第一隐藏层传播到输出层。
   • 可在输出空间中引入潜在变量，增强神经映射的学习动态。

2. 性能特点：

   • 架构简单、轻量级，易于训练且训练速度快。
   • 能有效再现复杂解流形中的尖锐梯度和快速动态的物理过程。
   • 通过小规模训练数据集打破维度诅咒，且在不同离散化测试时不会降低准确性。

3. 数学定义：

   • 定义映射：$mathcal{B L kern0.05em N kern-0.05em M} colon mathbb{R}^{1 + N_mathcal{P}} o mathbb{R}^{N_mathrm{z}}$。
   • 状态向量：$mathbf{z}(t) = [mathbf{z}_ mathrm{physical}(t), mathbf{z}_ mathrm{latent}(t)]^T$。
   • 优化目标：最小化BLNM输出与观测值之间的均方误差（MSE）。

应用范围

• 可扩展至包含多分支输入（如空间、时间、模型特定参数和几何特征）的场景。
• 特别适用于微分方程等场景中的时间和模型参数输入。

参考文献

1. Salvador, M., & Marsden, A. L. (2024). Branched Latent Neural Maps. Computer Methods in Applied Mechanics and Engineering, 418, 116499.
2. Salvador, M., et al. (2024). Digital twinning of cardiac electrophysiology for congenital heart disease. Journal of the Royal Society Interface.

许可信息

• 许可证类型：MIT license

搜集汇总

数据集介绍

构建方式

ImageCHD数据集通过结合多尺度数学模型与心脏电生理学模拟构建而成。研究团队采用复杂的心肌电生理模型，耦合偏微分方程和常微分方程，生成了一系列电生理学模拟数据。通过大变形微分同胚度量映射（LDDMM）技术，构建了一个双心室解剖图谱，并利用统计形状建模（SSM）方法生成了52个与原始几何变异性兼容的合成双心室几何体。这些合成几何体作为Branched Latent Neural Maps（BLNMs）的训练集，用于编码从基于物理的数值模拟中提取的激活图。

特点

ImageCHD数据集的特点在于其高度多样化的心脏几何形态，涵盖了13例法洛四联症（Tetralogy of Fallot）儿科患者的真实数据及其合成扩展。数据集不仅包含心肌体积、心室表面积等结构指标，还通过电生理学模拟生成了65个激活图，详细记录了心脏组织的电激活时间。数据集的几何变异性通过12个主成分的z分数进行编码，确保了合成数据与原始患者在解剖学上的高度一致性。

使用方法

ImageCHD数据集的使用方法包括利用BLNMs模型预测不同心脏几何形态下的激活图。用户可通过输入空间坐标和解剖学参数（如z分数），快速生成高精度的电生理学模拟结果。数据集的Python实现已公开，支持MIT许可证，便于研究人员进行心脏电生理学的个性化建模和临床决策支持。此外，数据集还可用于验证其他计算模型在复杂心脏解剖结构下的泛化能力。

背景与挑战

背景概述

ImageCHD数据集由斯坦福大学心血管研究所等机构的研究团队于2025年创建，旨在解决计算心脏病学中个性化建模的关键挑战。该数据集聚焦于法洛四联症（Tetralogy of Fallot）患者的双心室几何变异，通过结合物理建模与数据驱动方法，构建了包含13例真实患者和52例合成患者的心脏电生理模拟数据。其创新性体现在采用大变形微分同胚度量映射（LDDMM）和分支潜在神经映射（BLNM）技术，将解剖学变异编码为可计算的形状参数，为先天性心脏病的精准医疗提供了重要工具。

当前挑战

ImageCHD面临的核心挑战包括：1）领域问题层面，需解决高度异质性心脏解剖结构下的电激活模式预测难题，传统模型难以泛化至不同患者；2）构建过程中需克服小样本数据限制，通过统计形状建模生成符合真实解剖分布的合成队列；3）Purkinje网络建模的临床缺失数据问题，需开发覆盖性算法保证网络生成的生理合理性；4）多尺度电生理仿真计算成本高昂，需平衡计算效率与预测精度。

常用场景

经典使用场景

ImageCHD数据集在计算心脏病学领域被广泛应用于构建心脏电生理学的替代模型。该数据集通过整合基于物理的数值模拟和数据驱动方法，能够高效生成心脏激活图，为研究复杂先天性心脏病（如法洛四联症）的电传导异常提供了重要工具。其典型应用场景包括个性化心脏建模、电生理仿真验证以及跨患者几何变异的泛化性测试，尤其擅长处理儿科患者中高度异质性的双心室解剖结构。

解决学术问题

该数据集有效解决了计算心脏病学中三个核心学术问题：首先，通过统计形状建模和合成队列生成，克服了小样本患者队列的局限性；其次，采用分支潜在神经映射（BLNM）技术实现了跨解剖结构的电生理预测，无需针对不同几何形状重新训练模型；最后，通过耦合多尺度数学模型与机器学习方法，在保持临床相关时间尺度计算效率的同时，量化了模型不确定性。这些突破为先天性心脏病的精准医疗提供了理论基础。

衍生相关工作

该数据集衍生出多项创新性研究：Moscoloni等基于大变形微分同胚度量映射开发了心脏解剖图谱构建方法；Kong等人利用生成模型创建了先天性心脏病虚拟队列SDF4CHD；Salvador团队提出的BLNM架构被扩展应用于心电模拟和药物致心律失常预测。相关成果发表在《Nature》子刊和《Circulation》等顶级期刊，推动了计算建模与机器学习在心血管领域的融合。