Sep, 2023

UniLVSeg：通过自监督时序遮罩和弱监督训练实现左室超声心动图视频的统一分割

PDF
TL;DR该研究提出了一种新颖的方法，通过自监督学习和弱监督训练，在稀疏注释的超声心动图视频中实现了一致的左心室分割，相比最先进的解决方案，在效率更高的同时，取得了 93.32% 的 Dice 得分，并通过包含未标记帧在训练过程中实现高数据效用。
echocardiographyleft ventricle segmentationself-supervised learningechocardiogram videosai in medicine
发现论文，激发创造
  • 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

  • 自我监督少样本学习的连续最大流增强在 SPECT 左心室中的应用

    提供了一种方法来自动分割心肌，并在小型和低质量标签的重新重建 SPECT 恢复的视野体积上使用连续最大流算法和先验形状信息来增强 3D U-Net 自监督学习方法，实验结果显示，在高噪声 SPECT 心脏数据集上，基于先前的最先进解决方案，定量指标有了 5-10% 的增长，为解决少样本自监督学习问题提供了可行的方法。

    May, 2024

  • 利用光流网络从短轴 Cine MRI 进行左心室分割：保留心动运动的时间连贯性

    提出了一种基于卷积神经网络的新的左心室分割算法，能够充分利用心脏运动的时间一致性，从而显著提高左心室分割的精度。该算法在 Cardiac Atlas 数据库上进行了训练和测试，结果表明，在 Dice 系数和平均垂直距离等指标上都明显优于原有的 U-net 模型。

    Oct, 2018

  • 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

  • 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

  • 基于解剖位置预测的自监督学习用于心脏 MR 图像分割

    本文提出了一种基于自监督学习的心脏磁共振图像分割方法，通过预测解剖位置作为监督信号来学习特征，避免了手动标注数据的高成本问题，同时获得了比从零开始训练的 U-net 更好或可比的分割准确度。

    Jul, 2019

  • 机器人辅助心血管导管插管中多侧分支解码弱监督学习的导丝分割

    通过多侧面伪标记的弱监督学习方法，提供便宜且实时的方法，用于机器辅助下心脏导管介入手术中的工具分割和追踪。

    Apr, 2024

  • 合成推进：在超声心动图中利用合成数据增强视觉语言分割

    通过使用合成数据集和语义扩散模型，提高了视觉 - 语言分割模型在超声心动图分割中的性能。

    Sep, 2023

  • 从多视角图像中学习形状先验用于强健心脏磁共振分割

    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

  • 半监督三维左心房分割的不确定性感知自组装模型

    本文介绍了一种新颖的基于不确定性的半监督深度学习框架，可将未标记的数据有效地整合到左心房分割任务中，并在医学图像分析领域中表现出潜在的半监督解决方案。

    Jul, 2019