Jul, 2017

Temporal HeartNet：实现胎儿心脏筛查视频自动分析的人类水平

PDF
TL;DR该研究提出了一种自动描述以及指导超声（US）胎儿心脏视频图像解释的有用信息的方法，使用卷积神经网络与锚机制及 IoU 误差进行多任务预测和位置精确定位，最终能够精准地描述困难 US 视频中详细的心脏参数，实现与专家注释相当的性能，研究在临床数据集上进行。
automatic methodultrasound videosfetal heartconvolutional neural networkclinical dataset
发现论文，激发创造
  • SonoNet: 实时检测和定位自由手超声中胎儿标准扫描平面

    本研究提出了基于卷积神经网络的新方法，可以自动检测 13 个胎儿标准扫描视图并通过边界框提供胎儿结构的定位，且只需通过图像级标签进行弱监督学习，提供实时定位，检测和检索的精度表现都很高。

    Dec, 2016

  • 基于语义感知的时间通道注意力在心脏功能评估中的应用

    通过左心室分割、时间通道注意力模块和锚定分类回归方法，从超声心动图视频中准确自动评估心脏功能，取得了最先进的性能提升。

    Oct, 2023

  • 基于图卷积神经网络的自动超声心动图视角识别：一种整体方法

    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

  • EVM-CNN：基于面部视频的实时非接触式心率估计

    研究表明，可以通过将空间分解和时间滤波与卷积神经网络相结合，从面部视频中遥测心率，且该方法在 HR 估计方面的表现明显优于标准测试集 MMSE-HR，并且与真实数据具有高一致性。

    Dec, 2022

  • 深度学习胎儿超声视频模型在生物测量方面与人类观察者相匹配

    使用深度卷积神经网络（CNN）自动测量胎儿头围、双顶径、腹围和股骨长度，以及使用胎儿超声视频估计胎龄和胎儿重量，利用名为 FUVAI 的新型多任务基于 CNN 的时空胎儿 US 特征提取和标准平面检测算法。我们发现，自动测量胎儿生物测量学功能的 FUVAI 和由有经验的超声医生进行的测量相比是可比较的。再者，分析表明，当将任何个别医疗专家与我们的模型进行比较时，这些差异在统计学上并不显着。

    May, 2022

  • 多视图超声心动图中先天心脏病的自动解读

    多视角超声心动图自动分析方法，采用深度可分离卷积网络结构对先天性心脏病进行诊断和分类，不需要关键帧选择和视角注释。

    Nov, 2023

  • 深度学习用于心脏运动分析，用于人类生存预测

    使用计算机视觉中的运动分析和高维度医学图像数据，通过基于卷积网络和自编码器的模型进行人体生存预测任务，所建模型在 302 例患者中表现出显著的准确性提高，从而展示了如何高效地预测人类生存率。

    Oct, 2018

  • 基于 AI 的整体检查，从 20 周超声波扫描估计胎儿生物测量学

    通过从整个扫描中聚合自动提取的生物测量数据，无需人工干预，本研究引入一种范式转变，实现了与人类水平相当的生物测量性能，以及正确估算胎儿生物测量数据的可信区间。

    Jan, 2024

  • 利用光流网络从短轴 Cine MRI 进行左心室分割：保留心动运动的时间连贯性

    提出了一种基于卷积神经网络的新的左心室分割算法，能够充分利用心脏运动的时间一致性，从而显著提高左心室分割的精度。该算法在 Cardiac Atlas 数据库上进行了训练和测试，结果表明，在 Dice 系数和平均垂直距离等指标上都明显优于原有的 U-net 模型。

    Oct, 2018

  • 基于图卷积网络实现稳健的心脏分割

    使用图卷积神经网络的图结构消除心脏结构分割的解剖错误，实时预测结构轮廓点，并提出使用 U-Net 和图网络的模型间一致性作为输入和分割质量的预测指标。

    Oct, 2023