心脏图像定量分析：数据、模型及优化技术

Major heart disease is one of the greatest threats to human life and health in modern times. Cardiac images (such as cardiac magnetic resonance imaging, ECG signals etc.) play an extremely important role in the diagnosis and treatment of heart diseases. This project focuses on the key scientific issues in the process of cardiac image data-physiome model-clinical diagnosis knowledge transformation. It is proposed to explore the robust extraction of cardiac electrical potential distribution, morphology, strain parameters, material properties, and the normal / abnormal physiological range represented by the information. The main research contents include: feature extraction of cardiac image information; cardiac electrophysiology imaging; image segmentation (morphological analysis); cardiac stress-strain field imaging and material property estimation. The long term aim of this project is to contribute to reduce coronary heart disease morbidity and mortality and improve the efficacy and quality of life to provide some technical support.

重大心脏疾病是现代人类生命健康的最大威胁之一。心脏影像（如心脏核磁共振成像、ECG 信号等）在心脏疾病诊断、治疗中发挥着极其重要的作用。本项目围绕心脏影像数据—生理组模型—临床诊断知识转化过程中的关键科学问题展开研究，拟探索解决心脏跨模电位分布、形态、应力应变场、材料属性等参数的鲁棒提取及其这些信息所表征的正常/异常生理范围。主要研究内容包括：心脏影像信息的特征提取；心脏电生理反演成像；心脏图像分割（形态分析）；心脏应力应变场成像和心脏材料属性估计。为建立我国人群心脏疾病早期及临床前期病变的检出指标体系做出贡献，为减低冠心疾病的发病 率和死亡率、提高疗效和生存质量提供一定技术支撑。

心脏疾病是威胁人类健康的重大科学问题。项目围绕数据、模型和优化技术三个方面，聚焦心脏疾病诊断科学问题，深入临床需求，利用数学、医学、信息科学多学科交叉手段以期待形成心脏疾病全程动态评估技术。针对心脏动态特点，从成像物理角度出发，提出了稀疏表达结合生理模型的方法实现高质量心脏图像获取；在心脏计算建模中，构建了基于Focal loss和Dice loss结合的深层全卷积神经网络方法，更进一步，面向临床标签数据少、跨中心泛化能力差等问题，设计了基于生成对抗网络的半监督心脏图像分割方法；我们在上面基础之上，提出了新技术对心肌细胞的生理参数进行了测量，构建了心脏多尺度无网格模型；在心脏生理参数定量方面，引入心脏生理模型，并和稀疏表达与深度学习深度融合，构建了新颖的心脏图像分析方法，为心脏疾病研究与临床诊断提供了方法支撑。项目共发表IEEE期刊、Nature子刊在内的学术论文多篇；获得授权多项中美发明专利；参与课题的研究人员获得包括Women in Medical Imaging奖、最佳学生论文奖在内的多项国际学术奖励。