Jun, 2022

自动化人工智能方法对心脏共振成像的体积和双心室功能进行评估

PDF
TL;DR报道了一种使用卷积网络来量化心脏双心室功能（体积，质量和射血分数）的新方法，并且在临床环境中验证了该方法的稳健性和计算时间。该方法使用解剖学信息来减少分类错误，并且在约 5 秒钟的时间内以与专家相当的准确度量化双心室功能和体积。
artificial intelligencecardiologybiventricular functionquantificationconvolutional networks
发现论文，激发创造
  • 超声心动图左室射血分数的自动神经网络预测模型开发

    基于深度神经网络和集成学习的新型管线方法用于左室射血分数（LVEF）的自动准确量化，并在心力衰竭的诊断和分类中取得了与专家评估相当的效果。

    Mar, 2024

  • 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

  • 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

  • 实时自由呼吸心脏磁共振成像的深度学习分割评估

    深度学习网络在实时无呼吸心磁共振成像中对心脏进行体积分析的准确性较高，并且 nnU-Net 方法的表现超过了其他方法，可用于可靠的自动分割。

    Nov, 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

  • 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

  • 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

  • 利用人工智能技术检测影像中的纤维化

    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。

    Jun, 2022

  • 机器学习基于分割的不确定性量化：MRI 左室体积估计的事后方法

    该研究提出一种新的方法，使用 Ito 随机微分方程（SDEs）对左室体积预测进行后期不确定性估计，以提高自动分割的鲁棒性和可靠性，为临床设置中更可靠准确的左室体积估计打开新的方向。

    Oct, 2023