Aug, 2023

基于放射组学的深度学习用于左心房CT体积中房颤亚型分类

HTML
PDF
TL;DR通过将深度学习和放射医学方法相结合，该研究提出了一种新的放射医学信息驱动的深度学习方法，RIDl，用于改进心房颤动亚型的分类，从而解决了现有方法的局限性，并在亚型分类任务中获得了86.9％的AUC。
发现论文，激发创造
  • 卷积循环神经网络用于心电图分类

    本文介绍了两种针对心电图记录的深度神经网络架构，并通过Physionet / CinC Challenge 2017提供的房颤分类数据集对它们进行了评估。我们引入了ECG数据的简单数据增强方案，并证明了其在房颤分类任务中的有效性。我们发现，第二种架构优于第一种，在隐藏挑战测试集上获得了82.1％的F1分数。

    Oct, 2017

  • 利用可穿戴设备进行原始传感器数据端到端深度学习的心房颤动检测

    本文提出了一种使用卷积-循环神经网络和长短期记忆的架构来实时处理和分类数字传感器数据，其中使用穿戴式设备采集的PPG数据进行了AFib检测，结果表明该架构具有良好的准确性。

    Jul, 2018

  • 应用深度学习网络对心房心动过速的心脏电图进行分类

    本文采用深度学习方法设计了CNN-LSTM网络结构用于分类心房心动过速的EGM信号，从而提高治疗效果及减少人工标注带来的时间和误差。

    Jun, 2022

  • 基于深度神经网络的12导联心电图的房颤综合风险预测

    通过神经网络模型识别出心电图中无明显房颤迹象但将来可能发展成房颤的患者，并使用生存模型确定了高风险和低风险患者的发病概率，为房颤风险评估提供了有价值且实用的决策辅助信息。

    Sep, 2023

  • 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

  • SiamAF：通过心电图和脉搏图信号学习共享信息以实现稳健的房颤检测

    通过提出新的SiamAF方法，该方法使用新颖的孪生网络结构和联合学习损失函数，能够从PPG和ECG信号中学习共享信息，并在预测房颤方面胜过基线方法，且较传统学习方法需要更少的训练标签。

    Oct, 2023

  • RawECGNet：原始心电图的房颤检测的深度学习通用性

    使用深度学习模型RawECGNet，通过节律和形态学信息，高效、可泛化地检测房颤和心房扑动的发作。

    Dec, 2023

  • 揭示心跳特征：采用视觉转换器方法解释心电图信号中的可解释性房颤检测

    发展了一种基于远程患者监测的穿戴式单导联心电图（ECG）设备的视觉变换方法，可以识别房颤并鉴别正常窦律和窦性心动过缓。

    Feb, 2024

  • Rad4XCNN: 基于放射计算的全局解释CNN派生特征的新型不可知方法

    通过结合放射学特征与基于卷积神经网络的特征，本文提出了一种名为Rad4XCNN的新方法来提高医学图像分类的预测能力，同时保持解释性，强调了在临床实践中将解释性整合到人工智能模型中的重要性。

    Apr, 2024

  • 在心脏学中集成深度学习：房颤、左房瘢痕分割和最先进技术的综述

    心房颤动是世界上主要的心脏心律失常，心房瘢痕在心房颤动的发展和进展中的重要性得到了认可，延迟增强磁共振成像（LGE-MRI）作为无创评估心房瘢痕组织的关键技术，在心房颤动的治疗和管理中具有重要作用，通过深入研究心房颤动并探索深度学习在该领域的应用，终结于深度学习方法在心房瘢痕分割方面的最新研究进展，通过对当前技术及其对心房颤动管理策略的影响的全面分析，本综述强调了深度学习在增强心房瘢痕分割中的重要作用及其对未来治疗方法的影响。

    Jul, 2024