心脏图像分割的深度学习综述
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
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
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
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。
Sep, 2018
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
本教程论文旨在从基础概念、深度学习算法、工具和框架,方法开发和图像分析等方面,为医学影像处理与分析领域的新手提供基础概述,并使用公共数据提供样例任务,并针对方法开发和图像分析提供了最佳实践建议,旨在助力研究者克服初学阶段的挑战。
Apr, 2023
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
本文综述了关于图像分割的研究,特别关注了基于深度学习模型的语义分割和实例分割方法,包括全卷积像素标定网络、编码器 - 解码器架构、多尺度与基于金字塔的方法、循环神经网络、视觉注意力模型和对抗生成模型。我们探讨了这些深度学习模型的相似性,能力和挑战,并讨论了未来的研究方向。
Jan, 2020
本文针对 2010 年至 2020 年间应用深度学习模型于心电图 (ECG) 数据的文献进行系统性总结,发现各种深度学习体系结构已被用于心电图分析任务,包括疾病检测 / 分类、标注 / 定位、睡眠分期、生物度量人类识别和去噪等,其中融合卷积神经网络和循环神经网络专家特征的混合体系结构表现最佳。同时,也指出了存在的挑战和问题,诸如可解释性、可扩展性和效率等方面,提出了未来可能的研究方向。
Dec, 2019