ICMLJun, 2022

基于动态变分轨迹模型的超声心动图可解释异常检测

PDF
TL;DR提出一种新型异常检测方法，利用心脏周期的周期性来学习三种变量潜在轨迹模型（TVAE），并在我们的新型数据集中进行学习和训练，可靠地识别严重的先天性心脏缺陷，同时在检测肺动脉高压和右心室扩张时表现出比基于标准变分自动编码器的最大后验概率（MAP）异常检测更优越的性能，并通过高亮异常心脏结构对应的区域的热力图实现输出解释。
发现论文，激发创造
  • 低成本心脏血液动力学不稳定性检测的多模态变分自编码器

    利用低成本的胸部 X 光和心电图模态，结合大规模未标记数据的预训练方法，我们提出了一种新颖的多模态变分自编码器（CardioVAE_X,G），以实现对心脏血流动力学不稳定性（CHDI）的无创预测，在预测 CHDI 方面显示出有希望的性能，对相关的临床特征解释上也表现出色，从而支持临床决策。

    Mar, 2024

  • 利用高阶动态模态分解和视觉 Transformer 对小型数据集中的超声心动图图像进行自动心脏病理识别

    提出了一种基于深度学习框架的自动心脏病理识别系统，该系统通过实时心脏超声图像序列进行分析，包括使用 HODMD 算法进行数据增强和特征提取，并在第二阶段使用 Vision Transformer（ViT）进行有效的从零开始训练，结果表明该系统的优越性和 HODMD 算法的有效性。

    Apr, 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

  • 人本视频异常检测的探索性研究：基于变分自编码器和轨迹预测

    TSGAD 是一种新的基于姿态和变分自编码器的人体中心视频异常检测方法，通过对基准数据集进行全面实验，证明了 TSGAD 具有与最先进方法相媲美的效果，展示了采用变分自编码器的潜力及其对未来研究的有希望方向。

    Apr, 2024

  • 基于 12 导联心电图的先天性心脏病解剖诊断的黎曼预测

    在这篇论文中，我们利用心脏病患者的 12 导联心电图（ECG）信号的空间协方差结构的黎曼几何来改善分类，通过协方差增强和切空间投影来提高特征提取质量，并通过消融实验证明相比传统机器学习模型和深度学习，我们的方法在 ECG 时间序列数据上取得显著的改进。

    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

  • 具有变分自编码器的快速基于粒子的异常检测算法

    我们提出了一种基于粒子的变分自编码器（VAE）异常检测算法 Set-VAE，该算法在与传统基于子结构的喷注选择相比下，实现了 2 倍的信号效率提高。此外，为了未来部署到触发系统，我们提出了 CLIP-VAE，使用 KL 散度作为异常得分，从而减少推理时间成本，加快 2 倍的延迟速度，并减少缓存需求。

    Nov, 2023

  • 多视图超声心动图中先天心脏病的自动解读

    多视角超声心动图自动分析方法，采用深度可分离卷积网络结构对先天性心脏病进行诊断和分类，不需要关键帧选择和视角注释。

    Nov, 2023

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • 可解释的深层模型用于心脏再同步治疗反应预测

    在医学图像分类中使用变分自编码器框架来提高深度模型的可解释性，通过分离潜在空间并从现有的临床知识中提取 ' 解释 ' 来实现预测和解释输出，进一步通过预测心肌病患者心脏重同步治疗反应来展示模型的潜力。

    Jun, 2020