Jul, 2022

2D 超声图像的高效 Pix2Vox++ 实现用于 3D 心脏重建

PDF
TL;DR通过对 Pix2Vox++ 网络的简单改进和一种 2D 标准心脏视图重建 3D 解剖结构的流程，实现了在有限的 2D 数据情况下的 3D 解剖结构重建，并据此发现新的生物标志物实现对人类心脏的精确几何量化。
human heartultrasound imaging3d anatomy reconstructionbiomarkersoperator expertise
发现论文，激发创造
  • RapidVol: 无传感器 2D 扫描快速重建 3D 超声波体积

    提出了 RapidVol：一种神经表示框架用于加快切片到体积的超声重建，并通过使用张量秩分解将典型的三维体积分解为三面板的集合，再用一个小型神经网络来存储，只需一组带有三维位置和方向（姿态）的二维超声扫描就可以进行完整的三维重建。与基于完全隐式表示的先前方法相比（如神经辐射场），我们的方法速度提高了 3 倍以上，准确性提高了 46%，而且在给出不准确的姿态时具有更强的鲁棒性。可以通过从结构先验而不是从头开始进行重建来进一步加快速度。

    Apr, 2024

  • 多类点云完成网络：基于心动磁共振成像的三维心脏解剖重建

    该研究提出了一种全新的完全自动化表面重建管道，能够从原始的 Cine 磁共振成像获取多类三维心脏解剖网格，其中关键组件是一种多类点云完成网络（PCCN）；研究人员证明了该算法在合成数据集和实际数据集中的高精度和鲁棒性。

    Jul, 2023

  • 基于稀疏 2D 心脏 MR 图像的全心脏 3D+T 表示学习

    我们提出了一种全心自监督学习框架，利用掩蔽成像建模自动发现心脏图像中空间和时间补丁之间的相关性，以生成有意义且高度聚类的心脏表示，该表示可以直接用于多个下游任务，而且在缺失或有缺陷的心磁共振平面上也具有鲁棒性，该方法在综合 3D+T 心脏信息方面具有出色的性能。

    Jun, 2024

  • 心外膜及时引导的实时心脏超声帧到体积注册

    通过超声帧到体积的实时融合，基于术中 2D 图像和术前 3D 体积，提供了一个全面的心脏介入手术指导视图。然而，由于心脏超声图像在信噪比低、相邻帧之间差异小，以及 2D 帧和 3D 体积之间尺寸变化显著，因此实现实时准确的心脏超声帧到体积的配准是一项非常具有挑战性的任务。本文提出了一种轻量级的端到端心脏超声帧到体积配准网络，称为 CU-Reg。具体而言，该模型利用心外膜引导的解剖线索来加强 2D 稀疏和 3D 密集特征的交互作用，然后通过体素级的局部全局特征汇聚增强特征，从而提高低质量超声模态的跨维度匹配效果。我们进一步在混合监督学习中嵌入了帧间判别性正则化项，以增加同一超声体积中相邻切片之间的区别，确保配准的稳定性。在重新处理的 CAMUS 数据集上的实验结果表明，我们的 CU-Reg 在配准精度和效率方面超过了现有方法，满足了临床心脏介入手术的指导要求。

    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

  • 基于图卷积神经网络的自动超声心动图视角识别：一种整体方法

    使用图卷积技术学习三维心脏网格，通过生成合成超声图像并进行实验验证，展示了图对于改善心脏视图识别的潜力，并最终提高心脏诊断效率。

    Feb, 2024

  • 使用开放大规模数据集的深度学习在二维超声心动图中的分割

    本论文介绍了一个新的用于心脏超声检测的数据集 CAMUS，并评估了使用深度卷积神经网络方法自动分割心脏结构以及估计临床指标的效果，结果表明此方法优于传统非深度学习方法，但仍需改进，可用于 2D 心脏超声图像准确且自动化的分析。

    Aug, 2019

  • 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

  • 从多视角图像中学习形状先验用于强健心脏磁共振分割

    本文提出了一种基于解剖形态先验知识和多个 2D 标准视图之间的空间上下文关系的方法，来从不同的 MR 短轴图像切片中分割出左心室心肌，该方法具有数据效率高、准确性高的优点，相对于基线模型表现更加卓越。

    Jul, 2019

  • Pix2Vox：基于单视图和多视图的上下文感知三维重建

    提出了一种名为 Pix2Vox 的新框架，采用精心设计的编码器 - 解码器生成每个图像的粗略 3D 体积，再引入上下文感知融合模块自适应地选择不同粗略 3D 体积中每个部分（例如桌腿）的高质量重构，以获得融合的 3D 体积，并通过一个细化器进一步精化融合的 3D 体积以生成最终输出，该方法在 3D 重建方面的实验结果表明，Pix2Vox 不仅性能较其它现有算法更优，而且退推时间比 3D-R2N2 快 24 倍，而且该方法具有强大的通用性。

    Jan, 2019