CVPRMar, 2021

DeepTag: 一种基于无监督深度学习的心脏标记磁共振图像运动跟踪方法

PDF
TL;DR本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。
cardiac tagging magnetic resonance imagingt-mrideep learningmotion trackingmedical imaging
发现论文，激发创造
  • 基于时间的深度图像先验用于动态磁共振成像

    本论文提出一种基于深度学习的无监督动态磁共振成像（MRI）重建算法，通过使用一个低维流形、一个映射流形的网络和一个卷积神经网络，可以重建高空间分辨率的连续动态 MRI 序列，并在数量和质量上优于现有方法。

    Oct, 2019

  • DeepMesh: 基于深度学习的基于网格的心脏运动跟踪

    基于心脏磁共振图像的 3D 运动估计对于评估心脏功能和诊断心血管疾病至关重要。本文提出了一种基于 DeepMesh 的学习框架，旨在从 CMR 图像中将心脏网格传播到个体空间，并估计个体的心脏网格的 3D 运动。该方法通过开发一种可微分的网格到图像光栅化器，能够利用来自多个解剖视图的 2D 形状信息进行 3D 网格重建和网格运动估计。实验结果表明，该方法在定量和定性上优于其他基于图像和基于网格的心脏运动跟踪方法，特别针对左心室的 3D 运动估计。

    Sep, 2023

  • 在深度学习时代，注册原始标记的 MR 是否足够用于应变估计？

    磁共振成像（MRI）标记技术在测量组织运动和应变时一直被使用，然而标记褪色现象经常使后期处理变得复杂。本研究的第一项贡献是通过考虑序列成像中的 $T_1$ 弛豫以及射频脉冲的重复应用来建模标记褪色。这是以前在 tMRI 后处理研究中被忽视的因素。另外，我们观察到近期出现了在基于深度学习的注册框架中利用原始标记 MRI 进行运动估计的趋势。通过评估和分析训练 DL 注册的常用图像相似目标对原始 tMRI 的影响，将其与声波相位法进行了比较，声波相位法被认为对标记褪色具有鲁棒性。我们的研究发现，基于原始 tMRI 的各种相似性损失存在局限性，并且在图像强度随时间变化的注册任务中需要谨慎应对。

    Jan, 2024

  • 心脏 MR 图像序列的动态估计与分割联合学习

    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

  • 基于运动信息的脑 MR 图像重建深度学习框架

    本文提出一种新的方法，通过将动态模块集成到基于深度学习的 MRI 重建过程中，实现图像加速和运动校正的同时进行，实验结果表明，该方法在运动损坏的 MRI 数据集上优于传统图像重建方法。

    May, 2024

  • 基于 ADMM 的深度心脏 MRI 重建

    心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

    Oct, 2023

  • 多模态学习提升来自心脏 CineMR 图像的晚期机械激活检测

    本研究提出了一种多模态深度学习框架，利用先进的图像技术来改善临床分析性能，该框架首次利用位移编码和激发回波（DENSE）获得的心肌应变的准确性和重复性，来引导晚期机械活化检测中电影心磁共振（CMR）成像的分析。实验证明，我们提出的方法显著改善了电影 CMR 图像的应变分析和晚期机械活化检测的性能，更接近于 DENSE 的成果。

    Feb, 2024

  • MomentaMorph：无监督的 Momenta、Shooting 和 Correction 的时空配准

    综合上述研究，我们提出了一种新的 “动量、射击和修正” 框架，用于在存在重复模式和大运动的情况下进行拉格朗日运动估计，能够在大运动和重复模式中准确、密集和可微分地估计 2D/3D 运动场。

    Aug, 2023

  • 深度学习用于自动筛查心律失常引起的右心室心肌病的应变量化

    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

  • 一次性追踪心脏中的任何东西

    该研究提出了一种名为神经心脏运动场 (NeuralCMF) 的新方法，它通过内隐神经表示 (INR) 模拟心脏的三维结构和全面的六维前后运动，有效解决了目前心肌运动追踪方法在空间和时间维度上不准确的问题，具有在 2D 和 3D 超声心动图视频输入中应用的优势。

    Oct, 2023