Mar, 2022

数字孪生心脏分析中心肌速度图的混合深度学习合成

PDF
TL;DR研究提出了一个用于模拟合成心肌速度映像（3Dir MVM）数据的混合深度学习网络，从而可以通过克服解剖和生物化学现象建模的复杂性，生成更加真实的医学信号，此算法可以用于现实的医学研究中。
synthetic digital twinsmedical datahybrid deep learning network3dir mvm datamyocardial velocity mapping
发现论文，激发创造
  • 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

  • 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

  • 用于 3D 心肌变形分析的合成数据生成

    提出了一种合成数据生成方法，用于丰富心血管影像数据集，包括关键的地面真实光流注释，以克服高分辨率 CT 数据集稀缺性带来的限制，从而促进精确可靠的心肌变形分析算法在临床应用和诊断中的发展。

    Jun, 2024

  • 使用 GAN 生成 3D 心脏超声图像的合成标记数据集的数据增强流水线

    通过结合详细的心脏解剖分割模型和真实数据集，利用生成对抗网络（GAN）生成 3D 合成数据集来解决医学成像领域中的数据收集和标注困难，从而应对 3D 心脏超声图像数据稀缺问题，并展示了该方法在分割算法训练中的潜在应用价值。

    Mar, 2024

  • 视觉语言合成数据增强心脏超声下游任务

    利用最近的视觉 - 语言模型，通过文本和语义标签图引导，产生多样和逼真的合成心脏超声图像数据，以保留原始图像的关键特征。研究了无条件生成、文本引导生成和混合方法，并展示出合成数据中存在的丰富上下文信息可能提高下游任务的准确性和可解释性，例如改善指标和更快收敛的心脏超声图像分割和分类。实现部分含有检查点、提示和创建的合成数据集可公开获取。

    Mar, 2024

  • 通过扩散模型从舒张末期语义图合成超声心动图像

    通过扩展现有的视频扩散模型，基于语义解剖信息生成超声心动图视频的研究，在改进合成过程中整合空间调整归一化，以提高生成视频的逼真性和连贯性，并在 CAMUS 数据集上展示了优于标准扩散技术的性能。

    Oct, 2023

  • 心脏超声成像中容积指数的提取：哪种深度学习方法适用于临床应用？

    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

  • 利用深度计算模型进行逆推理的心脏心肌梗死数字双胞胎的实现

    该研究探讨了利用心电图推断心肌组织特性和开发面向心肌梗死的全面心脏数字模型的可行性，结果表明该模型能够有效捕捉 QRS 信号和相应梗死区域之间的复杂关系，未来在临床应用中具有巨大潜力。

    Jul, 2023

  • HeartBeat: 智能多模态条件导向扩散模型下的可控心脏超声视频合成

    该研究提出了一种名为 HeartBeat 的基于扩散的框架，用于可控和高保真度的 ECHO（超声心动图）视频合成，通过同时感知多模态条件，将这些条件分解为局部和全局条件，并使用两阶段训练方案解耦视觉概念和时间动态学习，以简化模型训练，该框架可扩展到其他广泛应用，如基于遮罩引导的心脏 MRI 合成。在两个公共数据集上进行的广泛实验证明了 HeartBeat 的有效性。

    Jun, 2024

  • 合成推进：在超声心动图中利用合成数据增强视觉语言分割

    通过使用合成数据集和语义扩散模型，提高了视觉 - 语言分割模型在超声心动图分割中的性能。

    Sep, 2023