本文提出了一种基于解剖形态先验知识和多个 2D 标准视图之间的空间上下文关系的方法，来从不同的 MR 短轴图像切片中分割出左心室心肌，该方法具有数据效率高、准确性高的优点，相对于基线模型表现更加卓越。

Jul, 2019

利用深度条件形状模型作为核心组件的新型分割算法，通过深度隐式形状表示学习一个可以为任何感兴趣解剖学生成有符号距离函数的模态不可知形状模型，然后通过解剖标志物对生成的形状进行拟合到图像上，并添加模态依赖的轻量级细化网络以捕捉隐式函数未表示的任何细节，该框架在多种 3D 模态下的心脏左室分割问题上进行评估，自动化的 DCSM 在非对比度 CT 上表现优于基准结果，在对比度 CT 和 3DE 上添加细化后性能得到显著改善，而用户输入标志物的半自动化 DCSM 在全部模态下的 Dice 指数均超过 92%。

Oct, 2023

通过计算模型和深度学习方法，我们提出了一种类型和形状解耦的生成模型，以捕捉不同先天性心脏病类型中观察到的广泛心脏解剖变化，并合成保留特定先天性心脏病类型独特拓扑结构的心脏解剖。

Nov, 2023

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

提出了一种利用 4D 重建方法进行心肌形态和运动状态估计的方法，通过解耦动作和形状，预测限制切片获得的稀疏点云序列的内部 / 间接形状和运动估计。

Aug, 2023

通过深度学习重建心脏组织模型可以用于计算心脏病理生理学，从而指导诊断和个性化治疗，该模型可以高效地用于计算流体力学模拟。

Jul, 2021

在这篇论文中，我们利用心脏病患者的 12 导联心电图（ECG）信号的空间协方差结构的黎曼几何来改善分类，通过协方差增强和切空间投影来提高特征提取质量，并通过消融实验证明相比传统机器学习模型和深度学习，我们的方法在 ECG 时间序列数据上取得显著的改进。

Nov, 2023

该研究使用 Signed Distance Map 直接从医学扫描中学习目标器官的形态，实现了更好的器官分割性能和更好的平滑度。通过同时预测 SDM 和分割地图，该方法将传统分割训练信息的补充信息引入，验证表明其比现有技术提高了 5% 以上的 Dice 系数并产生了更平滑的分割结果。

Dec, 2019

将神经可变形模型应用于心脏三维双心室形状的重建和建模，可通过学习几何参数函数和全局 / 局部变形实现心脏形状恢复，能够自动生成高质量的三角网格，并实现不同心脏形状之间的精确匹配，具有优于传统方法的表现。

Jul, 2023

基于自监督对比学习的深度学习模型通过学习心脏核磁共振扫描伴随的放射学报告的原始文本中的视觉概念，展示了对人类心血管疾病和健康的全面评估；我们的模型在美国的四个大型学术临床机构的数据上训练和评估，并在英国 BioBank 和其他两个公开可用的外部数据集上展示了卓越的性能，实现了包括左心室射血分数回归和 35 种不同病症（如心脏淀粉样变及肥厚型心肌病）的诊断等一系列任务，显示出对人类心血管疾病的复杂性的理解能力，并在仅需要一部分通常用于这种任务的训练数据的情况下，实现了令人印象深刻的临床级诊断准确率。

Dec, 2023