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

该研究使用 D-TCAV 方法研究了是否可以从深度网络中发现代表不同心脏状况的概念，并为心脏疾病诊断提供量化的概念重要性的指标。结果表明，D-TCAV 提供了一个比基础方法更具用户独立性和更短的预处理时间的创新应用方法，可应用于心脏 MRI 分析和诊断。

Mar, 2021

本文提出了一种可解释的卷积神经网络模型，基于变分自编码器，用于识别心脏核磁共振分割序列中的疾病，并使用 ' 概念激活向量 ' 技术关联一些向量，并定性地观察在这些向量方向上的测量值的变化，从而提供相应的自然可解释概念，该方法在英国生物银行心脏磁共振成像数据集上检测冠状动脉疾病。

Jun, 2019

提出了一种利用 4D 重建方法进行心肌形态和运动状态估计的方法，通过解耦动作和形状，预测限制切片获得的稀疏点云序列的内部 / 间接形状和运动估计。

Aug, 2023

自动识别心脏 MR 图像中的位移异常，通过注册、形变分析和应力分析等方法进行心脏运动的量化，并在心脏病诊断中发现具有潜在价值的心脏位移变化。

Nov, 2023

基于自监督对比学习的深度学习模型通过学习心脏核磁共振扫描伴随的放射学报告的原始文本中的视觉概念，展示了对人类心血管疾病和健康的全面评估；我们的模型在美国的四个大型学术临床机构的数据上训练和评估，并在英国 BioBank 和其他两个公开可用的外部数据集上展示了卓越的性能，实现了包括左心室射血分数回归和 35 种不同病症（如心脏淀粉样变及肥厚型心肌病）的诊断等一系列任务，显示出对人类心血管疾病的复杂性的理解能力，并在仅需要一部分通常用于这种任务的训练数据的情况下，实现了令人印象深刻的临床级诊断准确率。

Dec, 2023

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

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

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

通过利用深度学习和变形图像配准技术，本研究描述了一种基于心脏通过 1D 运动描述符表示动态过程的方法，并定义了一组规则以确定五个心血管相位，从而实现对心脏功能的评估。

Sep, 2022