该研究提出了一种自动描述以及指导超声(US)胎儿心脏视频图像解释的有用信息的方法,使用卷积神经网络与锚机制及IoU误差进行多任务预测和位置精确定位,最终能够精准地描述困难US视频中详细的心脏参数,实现与专家注释相当的性能,研究在临床数据集上进行。
Jul, 2017
提出一种新型异常检测方法,利用心脏周期的周期性来学习三种变量潜在轨迹模型(TVAE),并在我们的新型数据集中进行学习和训练,可靠地识别严重的先天性心脏缺陷,同时在检测肺动脉高压和右心室扩张时表现出比基于标准变分自动编码器的最大后验概率(MAP)异常检测更优越的性能,并通过高亮异常心脏结构对应的区域的热力图实现输出解释。
Jun, 2022
为了自动化筛查主动脉瓣狭窄,我们提出了一种新的端到端的多实例学习方法,引入了监督式注意技术和一种新的自我监督预训练策略。实验表明,与以前的方法相比,我们的方法在提高准确率的同时可以减小模型尺寸。
May, 2023
通过在线特征解耦框架OnUVS,我们成功合成了具有高保真度的超声视频,通过将解剖学信息引入关键点学习、实现内容和纹理特征解耦、采用多特征鉴别器提取全面的视觉提示以及限制关键点的运动轨迹,从而提升了合成视频的流畅性。
Aug, 2023
Echocardiography的机器学习方法,具备解释性且适用于多视频训练,实现了心脏疾病的诊断和解释,尤其在主动脉瓣狭窄的检测中具备高准确性。
研究论文通过多任务框架进行了自动多类胎儿血管分割和异常分类,并表明其训练策略显著优于传播标签和仅基于T2w体积图像训练的网络。 添加分类器可以提高正确分类的双主动脉弓患者的解剖和拓扑准确性。
Nov, 2023
多视角超声心动图自动分析方法,采用深度可分离卷积网络结构对先天性心脏病进行诊断和分类,不需要关键帧选择和视角注释。
使用图卷积技术学习三维心脏网格,通过生成合成超声图像并进行实验验证,展示了图对于改善心脏视图识别的潜力,并最终提高心脏诊断效率。
Feb, 2024
本研究解决了双模态超声视频智能诊断中嵌入医疗知识的挑战,提高了深度学习网络的诊断准确性。提出的三重注意力选择学习网络(TASL-Net)通过模拟超声医师的时间注意力和空间注意力,提升了视频信息的处理效率和临床信心。实验结果表明,TASL-Net在肺部、乳腺和肝脏三个数据集上表现优异,具有显著的临床应用潜力。
Sep, 2024
本研究解决了超声引导诊断中,由于图像为3D解剖结构的2D切片,导致重要解剖细节缺失的问题。论文提出了一种名为RT4U的数据中心方法,通过引入不确定性来改进主动脉狭窄分类的准确性,结合一致性预测技术,该方法可生成适应性大小的预测集,显示出在三个不同数据集上的有效性提升。