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

我们提出了 Cascading Refinement CNN (CaRe-CNN)，这是一种完全的 3D、端到端训练、三阶段 CNN 级联，利用有标记的心脏数据的层次结构。通过我们的 CaRe-CNN 进行的准确心脏分割，可以生成个体化心脏模型，为个性化医学迈出了重要的一步。

Dec, 2023

本文介绍了一种自动分割方法，使用扩张型卷积神经网络 (CNN) 对患有先天性心脏病 (CHD) 的患者的心血管磁共振 (CMR) 中的心肌和血池进行分割，并对方法进行了有效性评估。该方法在对仅含有候选机关的图像进行处理的过程中表现良好并适应解剖变异。

Apr, 2017

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

经过对 25 种不同的编码器 - 解码器组合的分析，发现 EfficientNet-LinkNet 组合在冠状动脉分割中表现出色，其 Dice 系数为 0.882，95％分位数的 Hausdorff 距离为 4.753，这一发现不仅凸显了我们模型相较于 MICCAI 2020 挑战中的其他模型的优越性，也为冠状动脉分割的未来进展奠定了基础，为改进诊断和治疗策略开辟了新的可能性。

Oct, 2023

使用图卷积神经网络的图结构消除心脏结构分割的解剖错误，实时预测结构轮廓点，并提出使用 U-Net 和图网络的模型间一致性作为输入和分割质量的预测指标。

Oct, 2023

通过卷积神经网络的深度级联，在 MRI 数据的欠采样下，提出了一种加速数据采集过程的图像重建框架，与现有的压缩感知方案相比，重建出来的图像具有更小的错误、更好的感知质量和更快的速度。该方法在保留解剖结构的同时，每张图片的重建速度能够达到 23 毫秒，足以实现实时应用。

Mar, 2017

在心脏磁共振成像（MRI）分析中，提出了一种名为 SQNet 的双任务网络，集成了 Transformer 和卷积神经网络（CNN），能够同时完成心肌分割和 T2 定量分析，提高了诊断准确性。

May, 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

本文介绍了一种基于三维卷积神经网络的级联模型用于多发性硬化患者影像的白质病变分割方法，并在公共数据集 MICCAI2008 和两个私有临床数据集上进行了精度评估，表现优于其他已知方法。

Feb, 2017