A Latent ODE Approach to Spatiotemporal Modeling of Cine Cardiac MRI

Technische Samenvatting: Een Latente ODE-benadering voor Spatiotemporele Modellering van Cine Cardiale MRI

Probleemstelling
Cardiale magnetische resonantie beeldvorming (CMR) levert rijke spatiotemporele gegevens over de ventriculaire structuur en beweging. Conventionele klinische risicomodellen vertrouwen echter op een beperkte set handmatig gecreëerde indices (bijv. de linker ventrikulair ejectiefractie, myocardiale strain) die afgeleid zijn van geïsoleerde cardiale fasen, typisch de end-diastole en end-systole. Deze aanpak comprimeert hoogdimensionele anatomie tot statische samenvattingen en negeert de continue timing, coördinatie en trajectorie van de volledige hartcyclus. Hierdoor kunnen subtiele abnormaliteiten in de ventriculaire contractie en relaxatie, die prognostische signalen kunnen bevatten, vaak over het hoofd worden gezien. Bovendien behandelen bestaande spatiotemporele modellen de tijd vaak als een discrete, genormaliseerde sequentie, waarbij geen rekening wordt gehouden met de fysiologische realiteit dat de timing van frames varieert met de hartslag en dat systole en diastole verschillende fracties van de cyclus innemen bij verschillende subjecten.

Methodologie
De auteurs stellen een covariaat-geconditioneerd latent dynamisch model voor dat de bi-ventriculaire anatomie en de full-cycle cine-beweging codeert als een continue latente trajectorie. Het raamwerk integreert drie kerncomponenten:

1. Graph-gebaseerde Mesh Autoencoder: Het model werkt op vertex-geregistreerde 3D ventriculaire meshes met een vaste topologie. Een Graph Neural Network (GNN) encoder verwerkt frame-gewijze mesh-sequenties en behoudt de anatomische connectiviteit. Een Transformer aggregeert deze frame-gewijze embeddings om een benaderde posterieure distributie over een subject-specifieke latente staat op de end-diastole ($t=0$) af te leiden.
2. Hartslag-bewuste Neural ODE: In plaats van discrete temporele stappen gebruikt het model een Neural Ordinary Differential Equation (ODE) om de latente staat continu over de hartcyclus te laten evolueren. Het vectorveld wordt gedreven door een latente fasevariabele $\theta(t)$, die wordt afgeleid via een leerbare, monotone fase-warping functie die afhankelijk is van de hartslag. Dit stelt het model in staat om de tijd uit te rekken of te comprimeren om fysiologische fasen te matchen, waardoor variabele framerates en hartslagen worden opgevangen.
3. Covariaat-geconditioneerde Prior en Overlevingsanalyse: Een Multi-Layer Perceptron (MLP) definieert een Gaussische prior op de end-diastolische latente staat, geconditioneerd op covarianten (leeftijd, geslacht en lichaamsoppervlak/BSA). Tijdens de variationele training wordt de Evidence Lower Bound (ELBO) geminimaliseerd, wat de posterior stimuleert om subject-specifieke afwijkingen van deze fysiologische norm te vangen. Voor downstream risicovoorspelling worden deze afwijkingen gestandaardiseerd om residuele embeddings te creëren, die vervolgens worden ingevoerd in een gepenaliseerde Cox proportional hazards model om incidentieel hartfalen te voorspellen.

Belangrijkste Bijdragen

• Continue Latente Dynamiek: De introductie van een continue-tijd latente ODE voor full-cycle CMR-modellering, wat het mogelijk maakt om gladde trajectorieën te definiëren op willekeurige fasen in plaats van enkel op discrete frames.
• Fysiologisch Gestructureerde Representaties: Een covariaat-geconditioneerde prior die de latente ruimte organiseert op basis van bekende fysiologische variaties (leeftijd, geslacht, BSA), waardoor pathologische afwijkingen voor risicomodellering worden geïsoleerd.
• Hartslag-bewuste Fase Warping: Een mechanisme om exogene timingvariaties (hartslag) te ontkoppelen van intrinsieke cardiale dynamiek, wat de niet-lineaire relatie tussen kloktijd en fysiologische fase adresseert.
• Grootschalige Evaluatie: Een uitgebreide evaluatie op 72.386 UK Biobank-deelnemers, die het nut van latente spatiotemporele kenmerken aantoont bij het voorspellen van incidenteel hartfalen.

Resultaten
Het model werd geëvalueerd op een onafhankelijke subset van de UK Biobank-cohort (367 incidentele gevallen van hartfalen) tegenover gevestigde klinische baselines en alternatieve architecturen:

• Prognostische Prestaties: Het toevoegen van de latente score ($r_{lat}$) aan refitteerde pooled cohort equations (PCP-HF) verbeterde de gestratificeerde C-index voor hartfalenvoorspelling van 0,704 (alleen PCP-HF) naar 0,785. Dit presteerde beter dan een model dat zeven conventionele CMR-indices ($r_{conv}$) gebruikte, dat een C-index van 0,764 behaalde.
• Architecturale Vergelijking: Het voorgestelde GNN+ODE-model bereikte de beste balans tussen reconstructiefailliteit (laagste Euclidische en hoekfouten), generatieve realisme en prognostische prestaties vergeleken met lineaire, Fourier-gebaseerde, Transformer-gebaseerde en state-of-the-art (MeshHeart) baselines.
• Generatieve Validiteit: Het model slaagde erin bekende leeftijd- en geslachtsafhankelijke trends in cardiale fenotypes te reproduceren (bijv. leeftijd-gerelateerde attenuatie van LVEF bij mannen, verhoogde wanddikte bij vrouwen), wat bevestigt dat de covariaat-geconditioneerde prior realistische fysiologische variatie vangt.
• Interpreteerbaarheid: Visualisatie van hoog-risico subjecten onthulde onderscheidende remodeling-patronen (bijv. concentrische remodeling versus dilatatie) die werden gevangen door de posterieure afwijkingen van de prior, wat suggereert dat het model diverse paden naar hartfalen identificeert.

Betekenis en Claims
Het artikel claimt dat continue full-cycle modellering van ventriculaire beweging informatieve cardiale fenotypes biedt die verder gaan dan conventionele CMR-samenvattingen. Door de volledige spatiotemporele trajectorie te vangen in plaats van statische momentopnames, onthult het model prognostische signalen gerelateerd aan de timing en coördinatie van de cardiale beweging. De auteurs concluderen dat hoewel de latente spatiotemporele afwijkingen aanzienlijke prognostische waarde toevoegen, externe validatie in meer representatieve patiëntencohorten vereist is voordat het model kan worden gebruikt voor klinische risicovoorspelling. Dit werk positioneert zich als een stap naar meer expressieve, fysiologisch plausibele en schaalbare modellen voor het bestuderen van de relatie tussen hartvorm, beweging en toekomstig cardiovasculair risico.