Apr, 2023

心肌梗死对 QRS 特性的影响：模拟研究

PDF
TL;DR该研究通过模拟心脏的电生理活动，系统研究了 17 种心肌梗死后可能发生的不同情景对 QRS 波形的影响，结果表明 QRS 波形可以识别心肌梗死并反演梗死区域，对解决逆问题有启示作用。
myocardial infarctionarrhythmiaelectrophysiologyqrsscarring
发现论文，激发创造
  • 通过新颖的自动胸部心脏三维重建技术，确定人类心肌梗死后心电图表型中性别差异的解剖基础

    电心图 (ECG) 在心脏学中被常规使用，但其解读受解剖变异的干扰。一项新颖的自动化计算流程可通过磁共振成像对胸腔心室解剖度量进行量化，并与 ECG 特征进行比较。基于来自英国生物库的 1051 名健康人和 425 名心肌梗死后患者，探索性别和心肌梗死差异。女性较小的心室解释了 QRS 间期较男性短约 50％，并导致女性 STJ 振幅较低 (也由于位置较上颈和后部)；在女性中，来自较大体重指数的胸腔心室解剖度量尤其是对后心肌梗死中 T 波振幅降低和偏左 R 轴角度的调节较男性更强烈。因此，定量解剖性别差异及其对健康和疾病中 ECG 的影响对于避免临床性别偏见至关重要。

    Dec, 2023

  • 利用深度计算模型进行逆推理的心脏心肌梗死数字双胞胎的实现

    该研究探讨了利用心电图推断心肌组织特性和开发面向心肌梗死的全面心脏数字模型的可行性，结果表明该模型能够有效捕捉 QRS 信号和相应梗死区域之间的复杂关系，未来在临床应用中具有巨大潜力。

    Jul, 2023

  • 低质量超声心动图早期发现心肌梗死

    本文介绍一种三阶段方法，用于在低质量的心脏超声图中早期检测心肌梗死。该方法使用最先进的深度学习模型对整个左室壁进行分割，采用特征工程对分割后的壁进行分析，并实现了心肌梗死的早期检测。该方法可显著帮助心脏病学家更好地评估左室壁特征。

    Oct, 2020

  • 基于多实例学习的心电图风险分层

    本文提出一种使用机器学习从原始心电图 (ECG) 信号学习患者心血管死亡风险的方法，该方法通过采用多元实例学习框架从原始 ECG 信号中学习表征，并在 5000 名患者数据集上证明其可以准确地预测患者在 30、60、90 和 365 天内心血管死亡风险，优于现有的风险因子评估方案。

    Dec, 2018

  • 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

  • 基于 3D 形状的心肌梗死预测：使用点云分类网络

    本文中，我们提出了一种利用完整的三维心脏形状的点云提高心肌梗死事件检测的方法，并通过对 1068 名英国生物银行受试者进行评估，在流行性心肌梗死检测和新发性心肌梗死预测任务上实现了分别超过临床基准约 13％和 5％的进展。此外，我们分析了每个心室和心脏时相在基于三维形状的心肌梗死检测中的作用，并进行了形态和生理模式的视觉分析。

    Jul, 2023

  • 优化心肌梗死检测：一种新的多模态组合核策略在单类分类中的应用

    通过使用一种基于多视角心脏超声图像的一类分类算法，本研究介绍了一种新的早期心肌梗死检测方法，有效地将来自心脏超声图像数据中提取的特征转换为优化的低维度子空间，显著提高了心肌梗死检测的准确性。

    Feb, 2024

  • 通过心脏核磁共振的知识转移解锁心电图的诊断潜力

    提出了自监督的对比学习方法，实现了从心电图数据中进行心脏筛查和疾病诊断。

    Aug, 2023

  • 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

  • 基于深度学习的心脏运动预测电性心律失常电路：一项模拟研究

    利用深度学习和神经网络可以计算和预测心脏肌肉的室性心律失常，靶向识别电触发或驱动器，可以利用影像数据计算肌肉的内壁动作电位波形。

    May, 2023