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
基于深度神经网络和集成学习的新型管线方法用于左室射血分数(LVEF)的自动准确量化,并在心力衰竭的诊断和分类中取得了与专家评估相当的效果。
Mar, 2024
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。
Sep, 2023
该研究提出了一种自动描述以及指导超声(US)胎儿心脏视频图像解释的有用信息的方法,使用卷积神经网络与锚机制及 IoU 误差进行多任务预测和位置精确定位,最终能够精准地描述困难 US 视频中详细的心脏参数,实现与专家注释相当的性能,研究在临床数据集上进行。
Jul, 2017
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
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。
提出一种新型异常检测方法,利用心脏周期的周期性来学习三种变量潜在轨迹模型(TVAE),并在我们的新型数据集中进行学习和训练,可靠地识别严重的先天性心脏缺陷,同时在检测肺动脉高压和右心室扩张时表现出比基于标准变分自动编码器的最大后验概率(MAP)异常检测更优越的性能,并通过高亮异常心脏结构对应的区域的热力图实现输出解释。
Jun, 2022
该研究提出了一种无监督序列到序列学习方法,自动评估基于电阻抗的多通道血液动力学监测中心脏容量信号(CVS)的运动诱导可靠性降低,以及利用机器辅助评估减少人工标注的负担和时间消耗的能力。
May, 2023
用于心力衰竭风险预测的 ECG 网络模型基于 12 导联心电图数据,通过大型语言模型的预训练提高预测能力和透明度,为早期心力衰竭诊断和预防提供潜在的改进。
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