Jun, 2022

利用人工智能技术检测影像中的纤维化

PDF
TL;DR研究新的人工智能方法，使用卷积神经网络技术分析 CMR 图像中的心肌组织，以确定局部心肌组织损伤并在纯电影核磁共振研究中空间识别纤维化，验证数据集的准确性为 89％，并展示了高空间相关性。
artificial intelligencecardiologyfibrosismyocardial textureconvolutional neural network
发现论文，激发创造
  • 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

  • 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

  • 寻找肺纤维化的成像生物标志物：AIIB23 挑战的基准

    通过 AIIB23 竞赛，研究者们探索了在肺纤维化病人的肺组织中提取气道树的能力，并发现了强相关的基于气道的生物标志物，与现有的临床测量、临床医生评估和基于人工智能的生物标志物相比，其预后预测能力更强。

    Dec, 2023

  • 一个适用于心脏磁共振的通用深度学习系统

    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

  • 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

  • 基于知识的体外模型和数据集，用于对多种乳房特征、病变明显性和剂量的乳房照射检查 AI 进行比较评估

    通过使用合成图像数据集，我们提出了一种评估医学成像人工智能模型的方法，并发现模型性能随乳房密度增加而减小，随质量密度增加而增大，并在低于乳房类型的推荐剂量的曝光水平下获得了最高性能。

    Oct, 2023

  • 基于半监督学习的心脏磁共振图像自动诊断

    该研究论文介绍了一种用于心脏图像的自动分割和辅助诊断的半监督模型，通过利用心脏 MRI 图像和仅需少量标注图像数据，实现了对心脏图像的全自动、高精度分割，特征提取，临床指数计算和疾病预测，并展示该模型在分割和预测中的高准确性，具备实际指导和应用价值。

    May, 2024

  • 使用心电图图像进行心脏异常检测和筛查的人工智能系统

    本研究设计了一个 AI 系统，能够在 real-world ECG 图像中检测和筛选心脏异常。该系统的表现优于心脏病学家，在心脏异常筛查方面表现最好。该系统具有准确性，客观性，易于使用，快速，低成本等特点，适用于医护人员、护理者和普通用户评估基于 real-world ECG 图像的 CAs。

    Feb, 2023

  • 使用 k 空间数据增强和课程学习自动检测心脏 MR 运动伪影的基于 CNN 的方法

    本研究提出了基于深度学习的方法，通过数据增强技术和学习曲线，自动检测心脏磁共振心动图像（CMR）中与运动相关的伪影，该方法在 UK Biobank 数据集上取得了 0.89 ROC 曲线下区域的高分类性能

    Oct, 2018

  • 通过眼底图像评估心血管疾病和风险因素的人工智能：过去十年的回顾

    应用人工智能与深度学习技术结合视网膜成像，实现心血管疾病早期检测和诊断的研究概览。

    Nov, 2023