ترجمه فارسی مقاله تولید ویدیوی سونوگرافی قلبی هدایت‌شده با منحنی حرکت قابل توضیح و کنترل

چکیده

Echocardiography video is a primary modality for diagnosing heart diseases, but the limited data poses challenges for both clinical teaching and machine learning training. Recently, video generative models have emerged as a promising strategy to alleviate this issue. However, previous methods often relied on holistic conditions during generation, hindering the flexible movement control over specific cardiac structures. In this context, we propose an explainable and controllable method for echocardiography video generation, taking an initial frame and a motion curve as guidance. Our contributions are three-fold. First, we extract motion information from each heart substructure to construct motion curves, enabling the diffusion model to synthesize customized echocardiography videos by modifying these curves. Second, we propose the structure-to-motion alignment module, which can map semantic features onto motion curves across cardiac structures. Third, The position-aware attention mechanism is designed to enhance video consistency utilizing Gaussian masks with structural position information. Extensive experiments on three echocardiography datasets show that our method outperforms others regarding fidelity and consistency. The full code will be released at https://github.com/mlmi-2024-72/ECM.

چکیده به فارسی (ترجمه ماشینی)

فیلم اکوکاردیوگرافی یک روش اصلی برای تشخیص بیماری های قلبی است ، اما داده های محدود چالش هایی را برای آموزش بالینی و آموزش یادگیری ماشین ایجاد می کند.به تازگی ، مدل های تولیدی ویدیو به عنوان یک استراتژی امیدوارکننده برای کاهش این مسئله ظاهر شده اند.با این حال ، روشهای قبلی اغلب در طول تولید به شرایط جامع متکی بودند ، مانع از کنترل حرکت انعطاف پذیر بر ساختارهای قلبی خاص می شوند.در این زمینه ، ما یک روش قابل توضیح و قابل کنترل برای تولید فیلم اکوکاردیوگرافی ، گرفتن یک قاب اولیه و یک منحنی حرکت به عنوان راهنمایی پیشنهاد می کنیم.مشارکتهای ما سه برابر است.اول ، ما اطلاعات حرکتی را از هر زیر ساختار قلب برای ساخت منحنی های حرکتی استخراج می کنیم ، و این امکان را فراهم می کنیم تا با اصلاح این منحنی ها ، فیلم های اکوکاردیوگرافی سفارشی را سنتز کنیم.دوم ، ما ماژول تراز ساختار به حرکت را پیشنهاد می کنیم ، که می تواند ویژگی های معنایی را بر روی منحنی های حرکتی در ساختارهای قلبی ترسیم کند.سوم ، مکانیسم توجه موقعیت آگاه برای تقویت سازگاری ویدیویی با استفاده از ماسک های گاوسی با اطلاعات موقعیت ساختاری طراحی شده است.آزمایش های گسترده در سه مجموعه داده اکوکاردیوگرافی نشان می دهد که روش ما از دیگران نسبت به وفاداری و قوام بهتر است.کد کامل در https://github.com/mlmi-2024-72/ecm منتشر می شود.