Jun, 2023

基于 2D-3D 级联网络的晚期钆增强心脏磁共振图像中的心肌梗死疤痕分割纠错

PDF
TL;DR本文提出了一个级联的卷积神经网络框架，使得能够自动化地计算心肌梗死的程度，并且在训练中通过人工生成特征，使模型可以检测和修正 2D 分割错误，并在 EMIDEC 挑战中超越了现有方法以及 2D 和 3D nnU-Net，并且通过大量实验显示出所提出的误差校正级联方法所具有的优点。
发现论文，激发创造
  • CaRe-CNN：基于级联优化的 CNN 用于心肌梗死细分与微血管闭塞的分割

    我们提出了 Cascading Refinement CNN (CaRe-CNN)，这是一种完全的 3D、端到端训练、三阶段 CNN 级联，利用有标记的心脏数据的层次结构。通过我们的 CaRe-CNN 进行的准确心脏分割，可以生成个体化心脏模型，为个性化医学迈出了重要的一步。

    Dec, 2023

  • 级联卷积神经网络用于延迟增强心脏磁共振图像的自动心肌梗死分割

    本文提出了使用级联卷积神经网络从心脏 MRI 图像中，自动分割心肌梗死相关区域的方法，并在 MICCAI 2020 EMIDEC 数据集上，取得优异的分割表现。

    Dec, 2020

  • 心脏磁共振图像增强后钆分割算法的全球基准比较

    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

  • 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

  • 提高心脏 MRI 深度学习分割方法的可信度

    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

  • 扩张卷积神经网络在先天性心脏病心血管 MR 分割中的应用

    本文介绍了一种自动分割方法，使用扩张型卷积神经网络 (CNN) 对患有先天性心脏病 (CHD) 的患者的心血管磁共振 (CMR) 中的心肌和血池进行分割，并对方法进行了有效性评估。该方法在对仅含有候选机关的图像进行处理的过程中表现良好并适应解剖变异。

    Apr, 2017

  • 左心房晚期钆增强 MRI 图像质量评估的两阶段深度学习框架

    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

  • 多模态学习提升来自心脏 CineMR 图像的晚期机械激活检测

    本研究提出了一种多模态深度学习框架，利用先进的图像技术来改善临床分析性能，该框架首次利用位移编码和激发回波（DENSE）获得的心肌应变的准确性和重复性，来引导晚期机械活化检测中电影心磁共振（CMR）成像的分析。实验证明，我们提出的方法显著改善了电影 CMR 图像的应变分析和晚期机械活化检测的性能，更接近于 DENSE 的成果。

    Feb, 2024

  • 多类点云完成网络：基于心动磁共振成像的三维心脏解剖重建

    该研究提出了一种全新的完全自动化表面重建管道，能够从原始的 Cine 磁共振成像获取多类三维心脏解剖网格，其中关键组件是一种多类点云完成网络（PCCN）；研究人员证明了该算法在合成数据集和实际数据集中的高精度和鲁棒性。

    Jul, 2023

  • 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