Dyna3DGR：基于动态 3D Gaussian 表示的 4D 心脏运动追踪

基于摘要分析。该研究针对动态心脏磁共振成像（CMR）中的细粒度 4D 心脏运动追踪，提出 Dyna3DGR，将显式 3D Gaussian 表示与隐式神经运动场建模结合，以自监督方式联合优化心脏结构与运动。其主要研究对象是心肌组织的时空运动，并非 EEG 解码或 BCI。 心肌组织较为均质、缺少鲜明特征，使跨时间的细粒度追踪困难。摘要将既有方法分为基于图像与基于表示两类：前者面临拓扑一致性或训练数据需求方面的限制，后者可能损失图像级细节。Dyna3DGR 的核心机制是通过可微体渲染，将连续运动表示与图像空间对齐连接起来。作者称该框架无需大量训练数据或逐点对应关系，并可保持拓扑与时间一致性；具体损失、约束形式、优化流程及一致性保障方式尚未验证。 作者报告，在 ACDC 数据集的评估中，Dyna3DGR 的追踪精度优于所比较的深度学习微分同胚配准方法。摘要未提供具体指标数值、数据划分、对照方法名单或统计结果，因此尚不能判断优势幅度及适用范围；实验协议、消融及统计信息尚未验证。摘要表示代码将公开，当前可用性及复现条件尚未验证。现有材料未建立该心脏运动表示与 EEG/BCI 任务之间的具体机制对应关系，不能据此推断其 BCI 有效性。