本文提出了一种自动图像分割方法，基于 (Bayesian) 扩张卷积神经网络 (DCNN)，用于自动生成手头输入图像的分割掩模和空间不确定性地图，并利用人机交互设置结合分割和不确定性图来提高分割性能。该方法使用 ACDC 的 100 个心脏 2D MR 扫描中的左室腔、右室内膜和心肌 ED 和 ES 进行训练和评估，结果表明，可以使用 DCNN 获得低计算成本的有价值的空间不确定性图。

Sep, 2018

本文提出了使用级联卷积神经网络从心脏 MRI 图像中，自动分割心肌梗死相关区域的方法，并在 MICCAI 2020 EMIDEC 数据集上，取得优异的分割表现。

Dec, 2020

本研究提出了 DenseVoxNet，一种新的密集连接的三维卷积神经网络用于自动分割心脏和大血管结构。它具有最大化信息流、特征重用和辅助侧通道等三个优势，并在医疗应用中显著优于已有方法，达到更好的性能而参数更少。

Aug, 2017

深度学习网络在实时无呼吸心磁共振成像中对心脏进行体积分析的准确性较高，并且 nnU-Net 方法的表现超过了其他方法，可用于可靠的自动分割。

Nov, 2023

本研究基于全球最大的心脏 LGE-MRI 数据集，通过多种技术和生物学度量对 27 个国际团队的左房分割算法进行了深入分析，结果显示使用双连续 CNN 网络的方法明显优于传统方法和包含单个 CNN 的流程，达到了 93.2％的 Dice 分数和 0.7 毫米的平均表面距离，为心脏 LGE-MRI 分割方法的改进迈出了重要一步，并成为该领域评估和比较未来工作的重要基准。

Apr, 2020

我们提出了 Cascading Refinement CNN (CaRe-CNN)，这是一种完全的 3D、端到端训练、三阶段 CNN 级联，利用有标记的心脏数据的层次结构。通过我们的 CaRe-CNN 进行的准确心脏分割，可以生成个体化心脏模型，为个性化医学迈出了重要的一步。

Dec, 2023

本文提出了一个级联的卷积神经网络框架，使得能够自动化地计算心肌梗死的程度，并且在训练中通过人工生成特征，使模型可以检测和修正 2D 分割错误，并在 EMIDEC 挑战中超越了现有方法以及 2D 和 3D nnU-Net，并且通过大量实验显示出所提出的误差校正级联方法所具有的优点。

Jun, 2023

基于自监督对比学习的深度学习模型通过学习心脏核磁共振扫描伴随的放射学报告的原始文本中的视觉概念，展示了对人类心血管疾病和健康的全面评估；我们的模型在美国的四个大型学术临床机构的数据上训练和评估，并在英国 BioBank 和其他两个公开可用的外部数据集上展示了卓越的性能，实现了包括左心室射血分数回归和 35 种不同病症（如心脏淀粉样变及肥厚型心肌病）的诊断等一系列任务，显示出对人类心血管疾病的复杂性的理解能力，并在仅需要一部分通常用于这种任务的训练数据的情况下，实现了令人印象深刻的临床级诊断准确率。

Dec, 2023

本文综述了 100 余篇使用深度学习方法进行心脏图像分割的文献，包括磁共振成像、计算机断层扫描和超声成像等常见成像模态和感兴趣的主要解剖结构（心室、心房和血管）。此外，还总结了公开可用的心脏图像数据集和代码库，并对当前深度学习方法的挑战和局限性（标注不足、模型泛化能力、可解释性）进行了讨论，并提出了未来研究的潜在方向。

Nov, 2019

使用图卷积技术学习三维心脏网格，通过生成合成超声图像并进行实验验证，展示了图对于改善心脏视图识别的潜力，并最终提高心脏诊断效率。

Feb, 2024