Aug, 2023

基于面板注意力的实时自动 M 模式心房超声测量

PDF
TL;DR提出了 RAMEM，一种实时自动 M 型超声心动图测量方案，包括提供 MEIS 数据集、基于面板注意力的局部到全局高效注意力、以及快速准确的自动标注算法 AMEM，实验证明 RAMEM 在实时 MEIS 测试中超过现有 RIS 骨干网络（具有非局部注意力）和人类表现。
发现论文，激发创造
  • 基于运动模式的超声心动图射血分数预测

    通过利用运动模式的超声心动图进行左心室射血分数的估计和心肌病的分类，详细研究了基于对无标签数据进行结构化利用的对比学习技术在心脏成像方面的有效性和高准确性。

    Sep, 2023

  • 基于语义感知的时间通道注意力在心脏功能评估中的应用

    通过左心室分割、时间通道注意力模块和锚定分类回归方法，从超声心动图视频中准确自动评估心脏功能，取得了最先进的性能提升。

    Oct, 2023

  • 使用开放大规模数据集的深度学习在二维超声心动图中的分割

    本论文介绍了一个新的用于心脏超声检测的数据集 CAMUS，并评估了使用深度卷积神经网络方法自动分割心脏结构以及估计临床指标的效果，结果表明此方法优于传统非深度学习方法，但仍需改进，可用于 2D 心脏超声图像准确且自动化的分析。

    Aug, 2019

  • 心脏超声成像中容积指数的提取：哪种深度学习方法适用于临床应用？

    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

  • 利用高阶动态模态分解和视觉 Transformer 对小型数据集中的超声心动图图像进行自动心脏病理识别

    提出了一种基于深度学习框架的自动心脏病理识别系统，该系统通过实时心脏超声图像序列进行分析，包括使用 HODMD 算法进行数据增强和特征提取，并在第二阶段使用 Vision Transformer（ViT）进行有效的从零开始训练，结果表明该系统的优越性和 HODMD 算法的有效性。

    Apr, 2024

  • 面向视角无关心脏超声分析的启发式通用模型

    本文提出了一种视图无关的超声心动图分析方法，通过 prompt 匹配和预训练的视觉模型学习不同视图的专用提示，并利用预训练的医学语言模型将文本信息与像素数据对齐，以实现精准的分割，大量实验证明该方法在三个标准视图上明显优于最新的通用方法，并实现与同视图训练和测试的分割模型相当甚至更好的性能。

    Apr, 2024

  • 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

  • 半监督多模态多实例学习用于主动脉瓣狭窄诊断

    自动解释心脏的超声心动图可以改善对主动脉狭窄（AS）这种致命心脏疾病的检测和治疗。为了克服现有方法的局限性，本文介绍了一种新的深度学习框架，即半监督多模式多实例学习（SMMIL），用于自动解释 AS 等结构性心脏疾病。该方法在数据集上的实验证明，在 AS 严重程度分类以及几项临床相关 AS 检测任务方面，SMMIL 表现出优于最近的替代方法。

    Mar, 2024

  • 通过扩散模型从舒张末期语义图合成超声心动图像

    通过扩展现有的视频扩散模型，基于语义解剖信息生成超声心动图视频的研究，在改进合成过程中整合空间调整归一化，以提高生成视频的逼真性和连贯性，并在 CAMUS 数据集上展示了优于标准扩散技术的性能。

    Oct, 2023

  • 多模态心脏超声图像解读的基础模型

    基于多模态深度学习的心脏超声图像和文本关联模型 (EchoCLIP) 可用于心脏功能评估、植入性心内设备识别、临床变化检测和图像 - 文本搜索。

    Aug, 2023