May, 2023

一种利用深度学习预测心脏再同步治疗响应的新方法

PDF
TL;DR使用深度学习模型将临床参数、心电图特征、心脏功能评估参数和 SPECT MPI 的极地图相结合，预测心脏重同步治疗的患者反应，对于预测预后具有较高准确性。
gated spect mpideep learningcardiac resynchronization therapyclinical parameterspolarmaps
发现论文，激发创造
  • 一种利用机器学习和不确定性量化建模 CRT 的多阶段决策过程的新方法

    创建了一个多阶段的机器学习模型，利用不确定性量化预测心力衰竭患者的心脏再同步治疗反应，通过使用规则逻辑减少了对额外单光子发射计算机断层扫描心肌灌注显像数据获取的需求，而不牺牲性能。

    Sep, 2023

  • 一种基于深度迁移学习的心电图预测心脏复同步治疗响应的新方法

    本研究使用深度迁移学习技术对心脏再同步治疗（CRT）病人的反应进行预测模型训练，通过短时傅里叶变换处理 ECG 信号并使用迁移学习方法对卷积神经网络模型进行预训练，得出较高的预测精度，表现优于传统机器学习方法。

    Jun, 2023

  • 机器学习预测急性心肌梗死后的长期死亡率：基于收集的收缩时间间隔和临床数据

    该研究调查了树模型在长期死亡预测上的表现，并研究了两种近期引入的生物标志物对长期死亡的影响。研究采用来自中国台湾卫生福利部的 CCHIA 公开数据，以及从 139 例急性心肌梗死患者收集的医学和人口统计学数据，使用先进的集成树模型算法预测了 14 年内的全因死亡率，并发现添加生物标志物后算法的性能有所提高，可更好地为高风险个体确定治疗优先级。

    Mar, 2024

  • 实时自由呼吸心脏磁共振成像的深度学习分割评估

    深度学习网络在实时无呼吸心磁共振成像中对心脏进行体积分析的准确性较高，并且 nnU-Net 方法的表现超过了其他方法，可用于可靠的自动分割。

    Nov, 2023

  • 应用深度学习网络对心房心动过速的心脏电图进行分类

    本文采用深度学习方法设计了 CNN-LSTM 网络结构用于分类心房心动过速的 EGM 信号，从而提高治疗效果及减少人工标注带来的时间和误差。

    Jun, 2022

  • 基于点云的心脏 SPECT MPI 和 CTA 之间的配准与图像融合

    提出了一种基于点云的注册和图像融合方法，用于心脏单光子发射计算机断层扫描心肌灌注图像和心脏计算机断层扫描血管造影图像间的配准与融合。

    Feb, 2024

  • 深度度量学习用于心电图信号的血流动力学推断

    心脏衰竭是一种影响数百万人的严重疾病，对他们的生活质量和死亡率产生重要影响。本研究使用电生理信号等非侵入性方法来评估心脏压力，提出了一种基于深度度量学习的模型，该模型在有限标签数据情况下表现良好，并具有患者亚组之间的高度性能表现。

    Aug, 2023

  • 心电图深度学习预测术后死亡率

    通过开发一种基于 ECG 信号的深度学习算法，可以提高预测术后死亡风险的准确性，其鉴别能力优于修正心脏风险指数评分，患者风险等级可以帮助区分手术前死亡风险。该算法在多个手术类型的患者和两个独立医疗系统的患者中都有较好的表现。

    Apr, 2022

  • 利用光电容积脉搏波和深度学习预测心血管疾病风险

    通过使用智能手机上的 PPG 感应技术，我们建立了一种基于深度学习的 CVD 风险预测模型，可预测十年内患心血管疾病的可能性，该模型采用年龄、性别、吸烟状态和 PPG 等因素作为预测因子，可在医疗资源有限的地区提供一种基于社区的初级预防方法。

    May, 2023

  • DEMIST：适用于心肌灌注 SPECT 的基于深度学习的特定任务去噪方法

    通过基于深度学习的、对 MPI SPECT 进行去噪的特定检测任务方法（DEMIST）的客观评估，本研究提出的方法在检测心肌灌注缺损方面的表现显著优于对应的低剂量图像和普通的基于深度学习的去噪方法，并且该方法还在保持特定检测任务特征的同时改善了噪声特性。

    Jun, 2023