Oct, 2020

低质量超声心动图早期发现心肌梗死

PDF
TL;DR本文介绍一种三阶段方法，用于在低质量的心脏超声图中早期检测心肌梗死。该方法使用最先进的深度学习模型对整个左室壁进行分割，采用特征工程对分割后的壁进行分析，并实现了心肌梗死的早期检测。该方法可显著帮助心脏病学家更好地评估左室壁特征。
myocardial infarctionechocardiographydeep learningsegmentationfeature engineering
发现论文，激发创造
  • 优化心肌梗死检测：一种新的多模态组合核策略在单类分类中的应用

    通过使用一种基于多视角心脏超声图像的一类分类算法，本研究介绍了一种新的早期心肌梗死检测方法，有效地将来自心脏超声图像数据中提取的特征转换为优化的低维度子空间，显著提高了心肌梗死检测的准确性。

    Feb, 2024

  • 基于运动模式的超声心动图射血分数预测

    通过利用运动模式的超声心动图进行左心室射血分数的估计和心肌病的分类，详细研究了基于对无标签数据进行结构化利用的对比学习技术在心脏成像方面的有效性和高准确性。

    Sep, 2023

  • 基于 3D 形状的心肌梗死预测：使用点云分类网络

    本文中，我们提出了一种利用完整的三维心脏形状的点云提高心肌梗死事件检测的方法，并通过对 1068 名英国生物银行受试者进行评估，在流行性心肌梗死检测和新发性心肌梗死预测任务上实现了分别超过临床基准约 13％和 5％的进展。此外，我们分析了每个心室和心脏时相在基于三维形状的心肌梗死检测中的作用，并进行了形态和生理模式的视觉分析。

    Jul, 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

  • 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

  • 左心房晚期钆增强 MRI 图像质量评估的两阶段深度学习框架

    自动化 LGE-MRI 图像诊断质量评估方法，包括左心房检测器和深度神经网络，通过多任务学习和对比学习提高精确度，用于左心房纤维化的可靠高质量扫描和治疗规划。

    Oct, 2023

  • 超声心动图基础模型 -- 应用 1: 估算射血分数

    通过自监督学习在 150 万个心脏超声图像上训练的 EchoAI 模型，成功地评估了心脏射血分数，并获得了平均绝对百分比误差为 9.40%，与专业超声检查者的表现相当。

    Nov, 2023

  • 基于 2D-3D 级联网络的晚期钆增强心脏磁共振图像中的心肌梗死疤痕分割纠错

    本文提出了一个级联的卷积神经网络框架，使得能够自动化地计算心肌梗死的程度，并且在训练中通过人工生成特征，使模型可以检测和修正 2D 分割错误，并在 EMIDEC 挑战中超越了现有方法以及 2D 和 3D nnU-Net，并且通过大量实验显示出所提出的误差校正级联方法所具有的优点。

    Jun, 2023

  • 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

  • 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