提出 Repetitive Motion Estimation Network（RMEN）用于恢复心脏和呼吸信号，通过学习时空重复模式将高维运动流形嵌入带有部分运动相位边界注释的一维向量。结果表明，RMEN 可以处理不规则的心脏和呼吸运动，并且比最佳替代模型显著减少 QRS 峰检测偏移量。

Nov, 2018

该研究提出了一种无监督序列到序列学习方法，自动评估基于电阻抗的多通道血液动力学监测中心脏容量信号（CVS）的运动诱导可靠性降低，以及利用机器辅助评估减少人工标注的负担和时间消耗的能力。

May, 2023

使用计算机视觉中的运动分析和高维度医学图像数据，通过基于卷积网络和自编码器的模型进行人体生存预测任务，所建模型在 302 例患者中表现出显著的准确性提高，从而展示了如何高效地预测人类生存率。

Oct, 2018

该研究提出了一种使用头部运动参数和 BOLD 信号来重构 RV 波形的 CNN 模型，结果表明将头部运动参数与 BOLD 信号相结合可以增强 RV 波形估计。

Apr, 2024

本研究提出了一种基于超梯度方法的优化方法，用于估计连续多周期的运动模式，并在数字幻影模拟和真实患者数据上展示了更好或相当的性能。该方法的优势在于无需强相关的内部运动的呼吸替代信号，并且可以产生高质量的运动补偿图像以及整个图像采集期间的运动估计，包括呼吸之间的变化，具有提高下游临床应用的潜力，并且可以对存储有开放访问 4DCT 数据集的回顾性分析。

Jun, 2024

本文提出了一种基于 2D 相机且不受关注区域限制的计算廉价的方法估算周期性驱动的噪声 LTI 通道，并将其应用于呼吸模式 (RP) 的识别。通过将各个空间位置建模为噪声受到污染的线性时不变的（LTI）带有未知系统动力学的测量通道，来实现 RP 的估算， 然后将其作为盲卷积问题，并通过包括子空间投影和统计聚合的方法来解决。本方法在 31 名健康人类主体上进行实验，与同时获取的障碍性肺囊容积测定仪的基础真相相比，该估算器具有良好的相关性措施，尽管在衣物图案，视野角度和 ROI 的可变性方面。

Nov, 2016

在肺放射疗法中，红外相机可以记录胸部上反射物体的位置，以推断因呼吸而移动的肿瘤的位置，但治疗系统延迟影响了辐射光束的精确性。本研究评估了资源高效的在线 RNN 算法（无偏在线重复优化，SnAp-1 和 DNI）准确预测放射疗法治疗期间的呼吸运动的能力。

Mar, 2024

本文提出了一种基于深度学习的心脏 MR 图像序列的联合运动估计和分割方法，该方法包括一个基于无监督 Siamese 风格循环空间变换网络的运动估计分支和一个基于全卷积网络的心脏分割分支。实验结果表明，联合学习两个任务是互补的，并且所提出的模型在准确性和速度方面明显优于竞争方法。

Jun, 2018

提出了一种深度合成方法，通过将外部患者表面估计作为条件合成来生成伪呼吸 CT 相位，以实现运动感知的治疗计划，并展示了其能够以与重复扫描的真实 4DCT 相位相似的准确性捕捉器官和肿瘤的运动。

Mar, 2024

本文介绍了一种新型深度学习方法 Motion Pyramid Networks 来进行精准高效的心脏运动估计，使用金字塔形的多尺度运动场来增强更细致的运动场，通过循环的师生知识蒸馏方式来提高跟踪性能，并提出新的评价指标，其在公开数据集上有明显优于强基线模型的表现。

Jun, 2020