Sep, 2022

基于离散矢量场估计的 4D CMR 心脏相位检测的自监督运动描述符

PDF
TL;DR通过利用深度学习和变形图像配准技术，本研究描述了一种基于心脏通过 1D 运动描述符表示动态过程的方法，并定义了一组规则以确定五个心血管相位，从而实现对心脏功能的评估。
cardiac functiondeep learningimage registrationcardiovascular phasescardiac cycle
发现论文，激发创造
  • 基于解耦动态与形状模型的四维心肌重建

    提出了一种利用 4D 重建方法进行心肌形态和运动状态估计的方法，通过解耦动作和形状，预测限制切片获得的稀疏点云序列的内部 / 间接形状和运动估计。

    Aug, 2023

  • DeepMesh: 基于深度学习的基于网格的心脏运动跟踪

    基于心脏磁共振图像的 3D 运动估计对于评估心脏功能和诊断心血管疾病至关重要。本文提出了一种基于 DeepMesh 的学习框架，旨在从 CMR 图像中将心脏网格传播到个体空间，并估计个体的心脏网格的 3D 运动。该方法通过开发一种可微分的网格到图像光栅化器，能够利用来自多个解剖视图的 2D 形状信息进行 3D 网格重建和网格运动估计。实验结果表明，该方法在定量和定性上优于其他基于图像和基于网格的心脏运动跟踪方法，特别针对左心室的 3D 运动估计。

    Sep, 2023

  • DDSB：超声心动图中无监督和无训练的相位检测方法

    通过无监督分割方法提高鲁棒性，减少依赖于初步分割图像的准确性，在保持与学习模型相当的准确性的同时，避免了传统方法对数据、注释、训练资源的大量需求。

    Mar, 2024

  • 基于多通道电阻抗血流动力学监测的自动信号质量评估中的无监督序列到序列学习

    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

  • LaMoD: 隐含运动扩散模型用于心肌应变生成

    采用基于深度学习的算法进行心脏磁共振成像视频的运动和变形分析对于评估心功能异常的患者的心肌应变至关重要。本文介绍了一种新颖的潜在运动扩散模型（LaMoD），通过从标准心脏磁共振视频中提取的潜在运动特征，利用概率性潜在扩散模型重构准确的运动，从而显著提高了标准心脏磁共振图像中运动分析的准确性，从而改进了临床环境中心脏患者的心肌应变分析。

    Jul, 2024

  • DeepTag: 一种基于无监督深度学习的心脏标记磁共振图像运动跟踪方法

    本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

    Mar, 2021

  • 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

  • 一次性追踪心脏中的任何东西

    该研究提出了一种名为神经心脏运动场 (NeuralCMF) 的新方法，它通过内隐神经表示 (INR) 模拟心脏的三维结构和全面的六维前后运动，有效解决了目前心肌运动追踪方法在空间和时间维度上不准确的问题，具有在 2D 和 3D 超声心动图视频输入中应用的优势。

    Oct, 2023

  • 利用半监督学习表观流动对 Cine MRI 中的可解释性心脏病理分类进行运动特征化

    提出一种基于图像特征的心脏病理分类方法，其中使用半监督学习程序来提取心脏运动的形状和运动特征，生成心肌和心腔的时间序列运动特征，并结合形状特征进行分类，取得了高检测准确率。

    Nov, 2018

  • 呼吸运动下极端心脏磁共振分析挑战（CMRxMotion）

    该研究设计了一项心脏 MRI 分析挑战赛（CMRxMotion Challenge），以评估呼吸运动对图像质量的影响，并检验分割模型的稳健性，招募了 40 名志愿者进行不同的呼气行为，采集了具有伪影的短时成像，并通过定量评估绩效和对比实验，考察自动化影像质量评估和分割任务的算法效果。

    Oct, 2022