本文中，我们提出了一种利用完整的三维心脏形状的点云提高心肌梗死事件检测的方法，并通过对 1068 名英国生物银行受试者进行评估，在流行性心肌梗死检测和新发性心肌梗死预测任务上实现了分别超过临床基准约 13％和 5％的进展。此外，我们分析了每个心室和心脏时相在基于三维形状的心肌梗死检测中的作用，并进行了形态和生理模式的视觉分析。

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

心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

Oct, 2023

我们提出了 HybridVNet，它是一种将标准卷积神经网络与图卷积无缝集成的新颖架构，可以高效地处理表面和体积网格，并通过图结构对其进行编码。我们的模型结合了传统卷积网络、变分图生成模型、深度监督和网格特定正则化，从 CMR 图像中高效生成高保真度和适合模拟的网格。

Nov, 2023

通过形态导向扩散模型，我们提出了 DMCVR，用于从稀疏的 2D 图像堆叠中更好地重建 3D 心脏容积，这种方法在生成模型中将心脏形态作为条件，消除了潜在代码的耗时迭代优化过程，提高了生成质量。我们的实验表明，DMCVR 在 2D 生成和 3D 重建性能等几个方面非常有效，能够产生高分辨率的 3D 心脏 MRI 重建，超过了当前的技术水平。我们提出的框架有着改善心脏疾病诊断和治疗规划准确性的巨大潜力。

Aug, 2023

我们提出了一种全心自监督学习框架，利用掩蔽成像建模自动发现心脏图像中空间和时间补丁之间的相关性，以生成有意义且高度聚类的心脏表示，该表示可以直接用于多个下游任务，而且在缺失或有缺陷的心磁共振平面上也具有鲁棒性，该方法在综合 3D+T 心脏信息方面具有出色的性能。

Jun, 2024

提出了一种基于隐式神经场表征的非监督方法用于心脏心电影 MRI（所谓 NF-cMRI），该方法在体内进行了评估，对于 26 倍和 52 倍的欠采样黄金角度径向多线圈采集，实现了良好的图像质量和可比较的空间和改进的时间描述，优于先进的重建技术。

Jul, 2023

研究提出了一种卷积递归神经网络（CRNN）架构，用于利用时间相关性在监督影像的心脏磁共振成像重建中。该模型结合了单图像超分辨率细化模块，相比于普通 CRNN 的实现，其在结构相似性和标准化均方误差方面，使单线圈重建提高了 4.4％和 3.9％。通过在 l1 损失中使用高通滤波器，可以更好地强调原始数据中缺失的高频细节，从而证明了该模型相较于基准案例的显著改进，并具有进一步提高心脏磁共振成像重建的潜力。

Sep, 2023

通过对 Pix2Vox++ 网络的简单改进和一种 2D 标准心脏视图重建 3D 解剖结构的流程，实现了在有限的 2D 数据情况下的 3D 解剖结构重建，并据此发现新的生物标志物实现对人类心脏的精确几何量化。

Jul, 2022

本篇研究提出了基于 3D nnU-Net 的深度学习方法在医学图像分割方面的应用。 作者比较了该方法与传统 2D 和循环分割方法，并且在新的私人数据集 CARDINAL 上测试了其性能。 结果表明该方法在时序一致性和跨数据集泛化性方面具有优势，并有望成为临床工具的首选。

May, 2023