基于图卷积网络实现稳健的心脏分割

Oct, 2023

基于图卷积网络实现稳健的心脏分割

Towards Robust Cardiac Segmentation using Graph Convolutional Networks

Gilles Van De Vyver, Sarina Thomas, Guy Ben-Yosef, Sindre Hellum Olaisen, Håvard Dalen...

TL;DR使用图卷积神经网络的图结构消除心脏结构分割的解剖错误，实时预测结构轮廓点，并提出使用 U-Net 和图网络的模型间一致性作为输入和分割质量的预测指标。

Abstract

Fully automatic cardiac segmentation can be a fast and reproducible method to extract clinical measurements from an echocardiography examination. The U-Net architecture is the current state-of-the-art deep learning architecture for medical segmentation and can segment cardiac structure

cardiac segmentation u-net architecture graph convolutional neural networks anatomical incorrect segmentations inter-model agreement

发现论文，激发创造

基于图卷积神经网络的自动超声心动图视角识别：一种整体方法

使用图卷积技术学习三维心脏网格，通过生成合成超声图像并进行实验验证，展示了图对于改善心脏视图识别的潜力，并最终提高心脏诊断效率。

Feb, 2024

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

评估编码器 - 解码器架构对冠状动脉分割的鲁棒性

经过对 25 种不同的编码器 - 解码器组合的分析，发现 EfficientNet-LinkNet 组合在冠状动脉分割中表现出色，其 Dice 系数为 0.882，95％分位数的 Hausdorff 距离为 4.753，这一发现不仅凸显了我们模型相较于 MICCAI 2020 挑战中的其他模型的优越性，也为冠状动脉分割的未来进展奠定了基础，为改进诊断和治疗策略开辟了新的可能性。

Oct, 2023

级联卷积神经网络用于延迟增强心脏磁共振图像的自动心肌梗死分割

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

U-Net: 生物医学图像分割的卷积神经网络

该研究提出了一种基于数据增强的网络和训练策略，用于更有效地利用可用的标注样本，以实现对神经结构的分割和细胞跟踪。研究表明，这种网络可以从极少量的图像中进行端对端的训练，并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果，且速度快。

May, 2015

心室分割：U-Net 派生方法简要比较

本文旨在探讨深度学习技术在心脏短轴 MRI 影像的语义分割中的应用，旨在增强与心脏相关的医疗疾病的诊断、监测和治疗，重点是实施各种派生于 U-Net 的体系结构，以有效地分离心脏的具体部分进行综合解剖和功能分析，并通过图像、图表和定量指标的结合来展示模型及其预测的效果，并讨论了遇到的挑战和未来改进的策略。这篇摘要简要概述了利用深度学习进行心脏图像分割的努力，强调了成就和进一步改进的领域。

Jan, 2024

ViG-UNet：面向医学图像分割的视觉图神经网络

该论文提出了一种基于图神经网络的 U 形结构体系 ViG-UNet，在多个分割任务中表现良好。

Jun, 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

用于胸部 X 光图像多类别分割的全卷积架构

本研究探讨和提出了用于胸部 X 光的自动多类解剖器官分割的神经网络架构，解决了在卷积网络中处理严重不平衡数据问题和减少参数数量等挑战，证明了该架构在所有考虑的器官方面表现优于现有技术，并且优于人类观察者结果，最佳模型的均值 Jaccard 重叠得分为 95.0％（肺）、86.8％（锁骨）和 88.2％（心脏）。

Jan, 2017

基于密集连接体积卷积神经网络的自动三维心血管 MR 分割

本研究提出了 DenseVoxNet，一种新的密集连接的三维卷积神经网络用于自动分割心脏和大血管结构。它具有最大化信息流、特征重用和辅助侧通道等三个优势，并在医疗应用中显著优于已有方法，达到更好的性能而参数更少。

Aug, 2017