本研究基于全球最大的心脏 LGE-MRI 数据集，通过多种技术和生物学度量对 27 个国际团队的左房分割算法进行了深入分析，结果显示使用双连续 CNN 网络的方法明显优于传统方法和包含单个 CNN 的流程，达到了 93.2％的 Dice 分数和 0.7 毫米的平均表面距离，为心脏 LGE-MRI 分割方法的改进迈出了重要一步，并成为该领域评估和比较未来工作的重要基准。

Apr, 2020

提出了一个自动分割左心房的工具，通过磁共振成像技术可以精确地跟踪左心房的运动，提取位移场。

Sep, 2023

患有心房颤动的患者具有罹患缺血性中风的风险增加了 5-7 倍。本研究通过量化形态学特征并建立统计形状模型，展示了左心耳形状可以通过 5 个主成分分析模式进行量化，并且能够识别出所谓的鸡翅和非鸡翅形态的两个不同形状群集。

Feb, 2024

自动化 LGE-MRI 图像诊断质量评估方法，包括左心房检测器和深度神经网络，通过多任务学习和对比学习提高精确度，用于左心房纤维化的可靠高质量扫描和治疗规划。

Oct, 2023

使用自动化工具 Aladdin 从高分辨率三维 Cine MRI 图像中可靠地表征左心房（LA）区域变形的无监督神经网络，生成 LA 位移矢量场和主应变数值图，发现健康组与心血管疾病（CVD）患者之间在位移幅值和主应变数值上有显著差异，并利用 LA 图谱识别个体与整体分布不一致的区域异常，该工具具有重要的临床应用潜力。

Dec, 2023

该研究介绍了一种基于深度学习技术的左心房三维超声图像分割方法，结合了左心房形状和影像设备的先验知识，实验结果表明该方法能够提高分割准确度，能够帮助预测和发现各种心血管疾病。

Apr, 2018

提出了一种基于 MC-Net 的半监督学习算法，通过设计的循环伪标签方案，利用未标记数据强化了训练过程，从而提高了心房图像分割性能。与其他半监督方法相比，该算法在公共数据集上表现出更好的性能。

Mar, 2021

本文提出了一种自动图像分割方法，基于 (Bayesian) 扩张卷积神经网络 (DCNN)，用于自动生成手头输入图像的分割掩模和空间不确定性地图，并利用人机交互设置结合分割和不确定性图来提高分割性能。该方法使用 ACDC 的 100 个心脏 2D MR 扫描中的左室腔、右室内膜和心肌 ED 和 ES 进行训练和评估，结果表明，可以使用 DCNN 获得低计算成本的有价值的空间不确定性图。

Sep, 2018

通过应用一个基于卷积神经网络的分类算法，使用区域心肌应变的病理特征进行全局、区域和分段级别的心肌疾病诊断，并成功在测试集中对 5490 个左心室区段的 98% 进行了心肌疤痕的检测和定位，为解决心肌疤痕的检测问题提供了潜在解决方案。

Mar, 2024

本文介绍了一种新颖的基于不确定性的半监督深度学习框架，可将未标记的数据有效地整合到左心房分割任务中，并在医学图像分析领域中表现出潜在的半监督解决方案。

Jul, 2019