[论文解读] 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 0

一句话总结

COF 是一个以 ECG 为条件的生成框架，能够从单个心动周期重建完整的4D 心脏结构与运动，从而实现患者特异性的数字孪生和下游心脏仿真。

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.

研究动机与目标

• 需要一个完全生成式、患者特异性的心脏数字孪生，整合解剖、生理与运动的需求成为动力。
• 开发一个ECG驱动的模型，无需重复的CMR成像即可从ECG重构4D cine-CMR 体积。
• 利用多模态训练（cine-CMR + ECG）学习几何、生理电学与运动的统一表征。
• 使下游CDT任务成为可能，如体积测量、区域功能分析，以及从生成的4D 心脏中进行虚拟 cine 合成等。

提出的方法

• 为拓扑保持的配准引入 TOPPR，以估计 CMR 体积之间时间一致的3D 位移场。
• 计算离散形变样本以参数化心动周期内潜在的时空速度场。
• 学习一个ECG条件的动态流 v_theta(x,t,c)，将ECG 驱动的电生理信号与个体特异的解剖结构通过流动匹配联系起来。
• 用从配准形变轨迹导出的参考速度场对运动学习进行监督。
• 通过ODE求解器对速度场进行积分并将得到的形变应用到参考解剖结构，推断出个体特异的4D 心脏。

实验结果

研究问题

• RQ1 仅通过ECG 数据能否驱动准确、完整的4D 心脏重建，既保留解剖保真性又有真实的运动？
• RQ2 ECG 条件生成框架是否在切片位置、分辨率及ECG 推导疾病类别的多样性下具有泛化能力？
• RQ3 所生成的4D 心脏是否支持临床相关指标及下游心脏数字孪生任务（体积测量、区域功能、虚拟 cine）？
• RQ4 各组成部分（解剖锚定、ECG 驱动动力学、分割一致性监督）对重建质量的贡献分别有多大？
• RQ5 该方法对大队列常见的图像分辨率与采集设置变化是否具有鲁棒性？

主要发现

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 在UK Biobank 数据集上的图像层级指标达到最新水平（SSIM 0.984, PSNR 28.46, FID 6.39, FVD 17.60, M-Corr. 0.474, M-SSIM 0.894）。
• COF 在图像保真度和分割准确性方面均优于消融变体及其他基线（LV Dice 0.87, LV IoU 0.80；RV Dice 0.74, RV IoU 0.61；Myo Dice 0.85, Myo IoU 0.74）。
• 分割一致性监督与 TOPPR 对保持解剖保真性与真实运动至关重要；移除 TOPPR 或分割损失会降低多项指标。
• COF 在切片位置与分辨率上维持稳定的性能，显示出对多切片、多分辨率表征的鲁棒性。
• 人群层面的分析显示 COF 能在多样化ECG 推导类别中保持有临床意义的4D 功能（EDV、ESV、SV、EF、CO）的保留，并产生与真实数据相关的 LV 容积-时间曲线。
• 定性案例研究（如肥厚与缺血/梗死）展示了解剖学上合理、功能上一致的生成心脏。