提高心脏 MRI 深度学习分割方法的可信度

Sep, 2018

提高心脏 MRI 深度学习分割方法的可信度

Towards increased trustworthiness of deep learning segmentation methods on cardiac MRI

Jörg Sander, Bob D. de Vos, Jelmer M. Wolterink, Ivana Išgum

TL;DR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。

Abstract

Current state-of-the-art deep learning segmentation methods have not yet made a broad entrance into the clinical setting in spite of high demand for such automatic methods. One important reason is the lack of reliability caused by models that fail unnoticed and often locally produce an

deep learning image segmentation bayesian dilated convolutional networks spatial uncertainty maps cardiac mr scans

发现论文，激发创造

扩张卷积神经网络在先天性心脏病心血管 MR 分割中的应用

本文介绍了一种自动分割方法，使用扩张型卷积神经网络 (CNN) 对患有先天性心脏病 (CHD) 的患者的心血管磁共振 (CMR) 中的心肌和血池进行分割，并对方法进行了有效性评估。该方法在对仅含有候选机关的图像进行处理的过程中表现良好并适应解剖变异。

Apr, 2017

实时自由呼吸心脏磁共振成像的深度学习分割评估

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

心脏图像分割的深度学习综述

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

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

使用开放大规模数据集的深度学习在二维超声心动图中的分割

本论文介绍了一个新的用于心脏超声检测的数据集 CAMUS，并评估了使用深度卷积神经网络方法自动分割心脏结构以及估计临床指标的效果，结果表明此方法优于传统非深度学习方法，但仍需改进，可用于 2D 心脏超声图像准确且自动化的分析。

Aug, 2019

心脏磁共振图像增强后钆分割算法的全球基准比较

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

黑血 MRI 中颈动脉壁分割的基于不确定性的质量保证

应用深度学习模型于大规模数据集需要自动质量保证的方法，本文研究了不确定性在模型预测中的应用，并发现不确定性度量可以作为错误检测和自动质量保证的代理，并为大规模数据集提供了自动质量保证工具。

Aug, 2023

机器学习基于分割的不确定性量化：MRI 左室体积估计的事后方法

该研究提出一种新的方法，使用 Ito 随机微分方程（SDEs）对左室体积预测进行后期不确定性估计，以提高自动分割的鲁棒性和可靠性，为临床设置中更可靠准确的左室体积估计打开新的方向。

Oct, 2023

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

时态不确定性定位用于启用人工分析动态增强心脏磁共振数据集

本研究介绍了一种使用深度神经网络进行心脏动态对比增强磁共振成像的动态质量控制技术，通过引入一种新的时空不确定性度量指标来可靠地检测失败的分割结果，并通过与人工专家的合作改进分割结果，从而提高 DCE-CMRI 图像的 Dice 系数并减少分割失败的图像数量。该方法为动态 CMRI 数据提供了一种有效的人机协同分析框架，有助于临床解读和报告动态 CMRI 数据。

Aug, 2023