本文提出了一种自动图像分割方法，基于 (Bayesian) 扩张卷积神经网络 (DCNN)，用于自动生成手头输入图像的分割掩模和空间不确定性地图，并利用人机交互设置结合分割和不确定性图来提高分割性能。该方法使用 ACDC 的 100 个心脏 2D MR 扫描中的左室腔、右室内膜和心肌 ED 和 ES 进行训练和评估，结果表明，可以使用 DCNN 获得低计算成本的有价值的空间不确定性图。

Sep, 2018

本文旨在探讨采用不同对比度增强数据比例对 MRI 动态增强序列的图像分割和配准任务所产生的影响，发现通过预训练对比度增强数据和微调非对比度增强数据可得到更具有通用性的模型。

Jun, 2023

深度学习网络在实时无呼吸心磁共振成像中对心脏进行体积分析的准确性较高，并且 nnU-Net 方法的表现超过了其他方法，可用于可靠的自动分割。

Nov, 2023

通过深度学习模型建立 DSC （Dice Similarity Coefficients） 预测模型，用于评估心血管 MR 图像的分割质量；同时提出一种无标记数据的反向测试策略，预测 DSC 并进行二元分类判别心血管 MR 图像分割的质量，实现实时分割方法的筛选为可分析图像，最大限度提高图像分析结果的优化。

Jun, 2018

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

应用深度学习模型于大规模数据集需要自动质量保证的方法，本文研究了不确定性在模型预测中的应用，并发现不确定性度量可以作为错误检测和自动质量保证的代理，并为大规模数据集提供了自动质量保证工具。

Aug, 2023

该研究使用 D-TCAV 方法研究了是否可以从深度网络中发现代表不同心脏状况的概念，并为心脏疾病诊断提供量化的概念重要性的指标。结果表明，D-TCAV 提供了一个比基础方法更具用户独立性和更短的预处理时间的创新应用方法，可应用于心脏 MRI 分析和诊断。

Mar, 2021

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

该研究设计了一项心脏 MRI 分析挑战赛（CMRxMotion Challenge），以评估呼吸运动对图像质量的影响，并检验分割模型的稳健性，招募了 40 名志愿者进行不同的呼气行为，采集了具有伪影的短时成像，并通过定量评估绩效和对比实验，考察自动化影像质量评估和分割任务的算法效果。

Oct, 2022

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