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

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

我们提出了一种全心自监督学习框架，利用掩蔽成像建模自动发现心脏图像中空间和时间补丁之间的相关性，以生成有意义且高度聚类的心脏表示，该表示可以直接用于多个下游任务，而且在缺失或有缺陷的心磁共振平面上也具有鲁棒性，该方法在综合 3D+T 心脏信息方面具有出色的性能。

Jun, 2024

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。

Apr, 2018

通过三维深度有限函数和立体雅可比技术，我们可以高效地重建患者特异性的心脏解剖模型，从而在其他医学成像领域中具有广泛应用。

Aug, 2023

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

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

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

本文提出了一种基于自监督学习的心脏磁共振图像分割方法，通过预测解剖位置作为监督信号来学习特征，避免了手动标注数据的高成本问题，同时获得了比从零开始训练的 U-net 更好或可比的分割准确度。

Jul, 2019

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