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

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

通过使用 3D 到多视图掩码自编码器，充分利用 3D 点云的多模属性，提出了一种全新的方法，这不仅丰富了模型对几何结构的理解，还利用了点云的固有多模性能，有效地改进了各种任务，包括 3D 对象分类、少样本学习、部分分割和 3D 对象检测。

Nov, 2023

本文提出了一种可解释的卷积神经网络模型，基于变分自编码器，用于识别心脏核磁共振分割序列中的疾病，并使用 ' 概念激活向量 ' 技术关联一些向量，并定性地观察在这些向量方向上的测量值的变化，从而提供相应的自然可解释概念，该方法在英国生物银行心脏磁共振成像数据集上检测冠状动脉疾病。

Jun, 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

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

使用计算机视觉中的运动分析和高维度医学图像数据，通过基于卷积网络和自编码器的模型进行人体生存预测任务，所建模型在 302 例患者中表现出显著的准确性提高，从而展示了如何高效地预测人类生存率。

Oct, 2018

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

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。

Jun, 2023

在医学图像分类中使用变分自编码器框架来提高深度模型的可解释性，通过分离潜在空间并从现有的临床知识中提取 ' 解释 ' 来实现预测和解释输出，进一步通过预测心肌病患者心脏重同步治疗反应来展示模型的潜力。

Jun, 2020