基于多目标点云自编码器的心肌梗死预测是一种新颖的几何深度学习方法，通过多类别的三维点云表示心脏解剖和功能，实现有效的多目标学习，捕捉解剖特异性三维形状信息，并在高分辨率解剖点云上直接进行高效的多尺度特征学习。在大型 UK Biobank 数据集上的实验中，这种方法在多时序三维形状重建方面表现优异，预测和输入解剖之间的 Chamfer 距离低于基础图像的像素分辨率，并且在事故性心肌梗死预测任务上，其表现优于多个机器学习和深度学习基准模型，ROC 曲线下面积提高了 19%，同时其任务特定的紧凑潜变量空间呈现出易分离的对照组和心肌梗死聚簇，并展示了预测的可解释性。

Jul, 2023

我们提出了点云变形网络（PCD-Net）作为一种新颖的几何深度学习方法，用于模拟心脏循环极端端点之间的三维心脏收缩和舒张过程。我们对来自英国生物库研究（UK Biobank study）中超过 10,000 例数据集进行评估，发现预测值与实际解剖结构之间的平均 Chamfer 距离小于图像获取的像素分辨率。此外，我们观察到预测值与实际群体之间的类似临床指标，并且证明了 PCD-Net 能够成功捕捉正常受试者和心肌梗死（MI）患者之间的亚人群特异性差异。然后，我们证明了学习到的三维变形模式在预测患有 MI 的面前 MI 检测和潜在 MI 预测任务方面优于多个临床指标，对于 MI 生存分析的 Harrell's concordance 指数提高了 7%。

Jul, 2023

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

通过三维深度有限函数和立体雅可比技术，我们可以高效地重建患者特异性的心脏解剖模型，从而在其他医学成像领域中具有广泛应用。

Aug, 2023

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

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

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

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

本文提出了一种基于解剖形态先验知识和多个 2D 标准视图之间的空间上下文关系的方法，来从不同的 MR 短轴图像切片中分割出左心室心肌，该方法具有数据效率高、准确性高的优点，相对于基线模型表现更加卓越。

Jul, 2019

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