Jun, 2018

心脏 MR 图像序列的动态估计与分割联合学习

PDF
TL;DR本文提出了一种基于深度学习的心脏 MR 图像序列的联合运动估计和分割方法，该方法包括一个基于无监督 Siamese 风格循环空间变换网络的运动估计分支和一个基于全卷积网络的心脏分割分支。实验结果表明，联合学习两个任务是互补的，并且所提出的模型在准确性和速度方面明显优于竞争方法。
发现论文，激发创造
  • 运动金字塔网络实现准确高效心脏动态估计

    本文介绍了一种新型深度学习方法 Motion Pyramid Networks 来进行精准高效的心脏运动估计，使用金字塔形的多尺度运动场来增强更细致的运动场，通过循环的师生知识蒸馏方式来提高跟踪性能，并提出新的评价指标，其在公开数据集上有明显优于强基线模型的表现。

    Jun, 2020

  • DeepTag: 一种基于无监督深度学习的心脏标记磁共振图像运动跟踪方法

    本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

    Mar, 2021

  • 用于运动伪影分类和心脏磁共振图像分割的多任务 Swin Transformer

    本研究提出了一种多任务的网络 ——Multi-task Swin UNEt TRansformer 网络，用于解决在 CMR 运动挑战中的 CMR 分割和运动伪影分类，实现了同时确定 CMR 的诊断质量和生成掩模的目的。通过 5 倍交叉验证训练 5 个网络的集合，我们实现了 DICE 系数为 0.871 的分割性能和 0.595 的分类准确性。

    Sep, 2022

  • DeepAtlas: 图像注册和分割的联合半监督学习

    本文提出了一种基于深度学习的框架，联合学习图像配准和图像分割网络，在考虑到现有分割数据的情况下，同时提高分割和配准的准确性，并利用配准产生的数据增强对分割网络进行训练，实现在有限的训练数据集上训练高质量的模型。在膝盖和脑部 MRI 图像上，与以往研究相比，我们的方法具有更高的分割和配准准确度，且只需用一张标记图像就可实现 2.7% 和 1.8% 的 Dice 分数提升。

    Apr, 2019

  • 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

  • 运动监督下的协同分割

    提出了一种自我监督深度学习方法用于共同部分分割，通过挖掘从视频中推断出的运动信息，该方法能够产生比以前的自监督共同部分分割方法更好的分割地图。

    Apr, 2020

  • 急性心肌梗死 MRI 心肌分割和 T2 定量的同时深度学习

    在心脏磁共振成像（MRI）分析中，提出了一种名为 SQNet 的双任务网络，集成了 Transformer 和卷积神经网络（CNN），能够同时完成心肌分割和 T2 定量分析，提高了诊断准确性。

    May, 2024

  • DeepMesh: 基于深度学习的基于网格的心脏运动跟踪

    基于心脏磁共振图像的 3D 运动估计对于评估心脏功能和诊断心血管疾病至关重要。本文提出了一种基于 DeepMesh 的学习框架，旨在从 CMR 图像中将心脏网格传播到个体空间，并估计个体的心脏网格的 3D 运动。该方法通过开发一种可微分的网格到图像光栅化器，能够利用来自多个解剖视图的 2D 形状信息进行 3D 网格重建和网格运动估计。实验结果表明，该方法在定量和定性上优于其他基于图像和基于网格的心脏运动跟踪方法，特别针对左心室的 3D 运动估计。

    Sep, 2023

  • 多人姿态估计与语义部位分割

    该研究提出了一种基于全卷积神经网络和条件随机场的联合框架，旨在同步解决人体姿态估计和语义部位分割问题，并在 PASCAL VOC 数据集上进行了广泛实验，显示该算法在这两个任务上均优于竞争方法。

    Aug, 2017

  • 基于半监督学习的心脏磁共振图像自动诊断

    该研究论文介绍了一种用于心脏图像的自动分割和辅助诊断的半监督模型，通过利用心脏 MRI 图像和仅需少量标注图像数据，实现了对心脏图像的全自动、高精度分割，特征提取，临床指数计算和疾病预测，并展示该模型在分割和预测中的高准确性，具备实际指导和应用价值。

    May, 2024