Apr, 2018

基于深度学习与空间传播的心脏图像三维一致且鲁棒的分割

PDF
TL;DR本文提出了一种基于深度学习的方法，通过 U-net 网络和 3D consistency 技术，从 MRI 图像中实现心脏分割，结果表明该方法能够提高空间一致性，具有很好的泛化能力。
deep learningcardiac segmentationmriu-net3d consistency
发现论文，激发创造
  • 心脏超声成像中容积指数的提取：哪种深度学习方法适用于临床应用？

    本篇研究提出了基于 3D nnU-Net 的深度学习方法在医学图像分割方面的应用。 作者比较了该方法与传统 2D 和循环分割方法，并且在新的私人数据集 CARDINAL 上测试了其性能。 结果表明该方法在时序一致性和跨数据集泛化性方面具有优势，并有望成为临床工具的首选。

    May, 2023

  • 从多视角图像中学习形状先验用于强健心脏磁共振分割

    本文提出了一种基于解剖形态先验知识和多个 2D 标准视图之间的空间上下文关系的方法，来从不同的 MR 短轴图像切片中分割出左心室心肌，该方法具有数据效率高、准确性高的优点，相对于基线模型表现更加卓越。

    Jul, 2019

  • 多视角心脏图像分割在转 - 维先验下的研究

    我们提出了一种新的多阶段跨维度架构，用于多视角心脏图像分割。我们的方法利用短轴和长轴核磁共振（MR）图像之间的关系进行序列化的三维至二维至三维分割，分割长轴和短轴图像。我们的方法在分割短轴和长轴图像中的心脏感兴趣区域方面优于现有方法，在 Multi-Disease、Multi-View & Multi-Center Right Ventricular Segmentation in Cardiac MRI (M&Ms-2) 数据集上进行了评估。

    Apr, 2024

  • 提高心脏 MRI 深度学习分割方法的可信度

    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

  • 心室分割：U-Net 派生方法简要比较

    本文旨在探讨深度学习技术在心脏短轴 MRI 影像的语义分割中的应用，旨在增强与心脏相关的医疗疾病的诊断、监测和治疗，重点是实施各种派生于 U-Net 的体系结构，以有效地分离心脏的具体部分进行综合解剖和功能分析，并通过图像、图表和定量指标的结合来展示模型及其预测的效果，并讨论了遇到的挑战和未来改进的策略。这篇摘要简要概述了利用深度学习进行心脏图像分割的努力，强调了成就和进一步改进的领域。

    Jan, 2024

  • 深度可分离时空学习用于快速动态心脏 MRI

    这篇论文提出了一种新颖高效的方法，结合深度学习和时空先验知识，可以显著降低高维数据处理的挑战，从而实现快速成像，并在心脏诊断中超过了现有方法，同时减少对训练数据的需求，达到高准确度的心脏分割。

    Feb, 2024

  • 一个神经网络进行全局的医学三维图像分割系统：一种通用的轻量级准确分割系统

    研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

    Nov, 2019

  • 用于自动 3D 核心心脏图像重新定向和分割的多尺度空间变换器 U-Net

    我们提出了一种名为多尺度空间变换 UNet（MS-ST-UNet）的端到端模型，用于从核心心脏图像中同时重新定位和分割左室（LV）区域。该方法采用多尺度策略生成和提取具有不同尺度的图像特征，并通过联合学习促进重新定位和分割任务之间的互相增强。该方法显著改进了重新定位和分割性能，能够为物理学家提供多模态定量分析辅助，减少手动描绘心脏图像的负担，并提供高效的图像处理工作流程。

    Oct, 2023

  • 级联卷积神经网络用于延迟增强心脏磁共振图像的自动心肌梗死分割

    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

  • 聚类传播用于通用医学图像分割

    医学图像分割的通用框架 S2VNet 利用切片到体积传播将自动 / 交互式分割统一在单一模型和一个训练会话中，通过从先前切片的聚类结果初始化聚类中心，使得框架可以高效地沟通远程切片，同时提供快速推断速度和较低的内存消耗。

    Mar, 2024