[論文レビュー] Chain of Flow: A Foundational Generative Framework for ECG-to-4D Cardiac Digital Twins

Haofan Wu, Nay Aung+4 more|arXiv (Cornell University)|Feb 26, 2026

Congenital heart defects research被引用数 0

ひとこと要約

Chain of Flow (COF) は ECG 条件付きの生成フレームワークで、単一の心拍サイクルから完全な4D心臓構造と運動を再構成し、患者特異的デジタルツインおよび下流の心臓シミュレーションを可能にします。

ABSTRACT

A clinically actionable Cardiac Digital Twin (CDT) should reconstruct individualised cardiac anatomy and physiology, update its internal state from multimodal signals, and enable a broad range of downstream simulations beyond isolated tasks. However, existing CDT frameworks remain limited to task-specific predictors rather than building a patient-specific, manipulable virtual heart. In this work, we introduce Chain of Flow (COF), a foundational ECG-driven generative framework that reconstructs full 4D cardiac structure and motion from a single cardiac cycle. The method integrates cine-CMR and 12-lead ECG during training to learn a unified representation of cardiac geometry, electrophysiology, and motion dynamics. We evaluate Chain of Flow on diverse cohorts and demonstrate accurate recovery of cardiac anatomy, chamber-wise function, and dynamic motion patterns. The reconstructed 4D hearts further support downstream CDT tasks such as volumetry, regional function analysis, and virtual cine synthesis. By enabling full 4D organ reconstruction directly from ECG, COF transforms cardiac digital twins from narrow predictive models into fully generative, patient-specific virtual hearts. Code will be released after review.

研究の動機と目的

• 解剖学、生理学、運動を統合した完全生成的で患者特異的な心臓デジタツインの必要性を動機づける。
• ECG によって繰り返しの CMRI 画像取得に依存せず、ECG から 4D cine-CMR ボリュームを再構成するモデルを開発する。
• cine-CMR + ECG の多模態学習を活用して、形状、電気生理、運動の統一表現を学習する。
• 生成された 4D 心臓から体積測定、局所機能解析、仮想 cine などの下流 CDT タスクを有効化する。

提案手法

• CMR ボリューム間の時系列一貫性のある 3D 変位場を推定するトポロジー保全登録手法 TOPPR を導入する。
• 心周期全体の基盤となる時空間速度場をパラメータ化する離散変形サンプルを計算する。
• ECG に基づく電気生理信号を被験者特異的解剖と結びつける ECG 条件付き動的流れ v_theta(x,t,c) を学習する。
• 登録変形軌道から導出された基準速度場を用いて運動学習を監視する。
• ODE ソルbar を介して速度場を積分し、得られた変形を基準解剖に適用して被験者特異的な4D心臓を推定する。

実験結果

リサーチクエスチョン

• RQ1 ECG データだけで解剖学的忠実度と現実的な運動を保持した完全 4D 心臓再構成を正確に駆動できるか？
• RQ2 ECG 条件付き生成フレームワークはスライス位置、解像度、ECG 派生疾患カテゴリの多様性に対して一般化するか？
• RQ3 生成された 4D 心臓は体積測定、局所機能、仮想 cine などの臨床的に関連する指標と下流の心臓デジタ twins タスクをサポートできるか？
• RQ4 解剖学的アンカリング、ECG 誘導ダイナミクス、セグメンテーション整合性監視の各成分が再構成品質に与える寄与はどの程度か？
• RQ5 大規模コホートに典型的な画像解像度と撮像設定の変動に対してアプローチは堅牢か？

主な発見

Method	SSIM	PSNR	FID	FVD	M-Corr.	M-SSIM
COF	0.984	28.46	6.39	17.60	0.474	0.894
COF-w/ Diffusion	0.976	27.45	8.74	31.45	0.297	0.878
ECHOPulse [25]	0.381	12.16	433.18	598.44	0.281	0.852
LFDM [28]	0.203	11.83	446.93	670.45	0.050	0.650
EchoDiffusion [38]	0.985	28.63	76.26	146.13	0.161	0.345
Random Sample	0.361	11.72	33.25	81.08	0.025	0.144

• COF は UK Biobank データで画像レベル指標の最先端性能を達成（SSIM 0.984, PSNR 28.46, FID 6.39, FVD 17.60, M-Corr. 0.474, M-SSIM 0.894）。
• COF はアブレーション系変数および他のベースラインを上回り、画像忠実度とセグメンテーション精度の両方で優れる（LV Dice 0.87, LV IoU 0.80; RV Dice 0.74, RV IoU 0.61; Myo Dice 0.85, Myo IoU 0.74）。
• セグメンテーション整合性監視と TOPPR は解剖学的忠実度と現実的な運動を保持するうえで重要であり、TOPPR またはセグメンテーション損失を除去すると複数の指標が低下する。
• COF はスライス位置と解像度に対して安定した性能を維持し、多スライス・多解像度表現に対してロバストである。
• 集団レベルの解析では、ECG 派生カテゴリの多様性にわたって臨床的に意味のある4D機能（EDV, ESV, SV, EF, CO）を保持し、実データと相関する LV 容積–時間曲線を得る。
• 定性的ケーススタディ（例：肥大や虚血/梗塞）は、解剖学的に妥当で機能的に一貫した生成心臓を示す。