Oct, 2018

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

PDF
TL;DR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。
left ventriclecine mricnn modulelv segmentationtemporal coherence
发现论文，激发创造
  • 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

  • UniLVSeg：通过自监督时序遮罩和弱监督训练实现左室超声心动图视频的统一分割

    该研究提出了一种新颖的方法，通过自监督学习和弱监督训练，在稀疏注释的超声心动图视频中实现了一致的左心室分割，相比最先进的解决方案，在效率更高的同时，取得了 93.32% 的 Dice 得分，并通过包含未标记帧在训练过程中实现高数据效用。

    Sep, 2023

  • 自我监督少样本学习的连续最大流增强在 SPECT 左心室中的应用

    提供了一种方法来自动分割心肌，并在小型和低质量标签的重新重建 SPECT 恢复的视野体积上使用连续最大流算法和先验形状信息来增强 3D U-Net 自监督学习方法，实验结果显示，在高噪声 SPECT 心脏数据集上，基于先前的最先进解决方案，定量指标有了 5-10% 的增长，为解决少样本自监督学习问题提供了可行的方法。

    May, 2024

  • 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

  • 将光流融入 nnU-Net 框架用于手术器械分割的研究

    通过使用光流估计在手术器械分割任务中作为额外输入 nnU-Net 框架的 OF 图，可以在进一步不修改架构的情况下提高其性能。使用 CholecSeg8k 数据集，结果显示 OF 图的使用可以提高具有高运动的类别的检测效果，即使这些类别在数据集中很少出现。

    Mar, 2024

  • 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

  • 作物和夫妻：使用相互关联的专家网络进行心脏图像分割

    使用自动方法对心血管疾病进行诊断通常依赖于心脏图像分割的关键任务。我们提出了一种新的策略，使用专家网络对单个解剖结构（左心室、右心室或心肌）进行分割。给定一个输入的长轴心脏磁共振图像，我们的方法在第一阶段执行三元分割以识别这些解剖区域，然后裁剪原始图像以便将后续处理集中在解剖区域上。专家网络通过注意机制相互链接来自不同解剖结构的特征，作为柔性相对形状先验。我们方法的核心是一种可加注意块（E-2A 块），由于其高效性，它在我们的架构中得以广泛应用。

    Feb, 2024

  • 利用半监督学习表观流动对 Cine MRI 中的可解释性心脏病理分类进行运动特征化

    提出一种基于图像特征的心脏病理分类方法，其中使用半监督学习程序来提取心脏运动的形状和运动特征，生成心肌和心腔的时间序列运动特征，并结合形状特征进行分类，取得了高检测准确率。

    Nov, 2018

  • 心脏 MR 图像序列的动态估计与分割联合学习

    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。

    Jun, 2018