Oct, 2023

自监督卷积核基于手工特征融合：超声心动图增强左心室高血压病变表型划分

PDF
TL;DR基于自监督学习的卷积滤波器用于医学图像的特征映射预处理，实现了手工特征的一致性提取和心肌病分类的优越性能。
radiomicsharmonizationmyocardial diseasesself-supervised learningconvolutional filters
发现论文，激发创造
  • 将超声心动图像与病历融合，实现连续的患者分层

    利用深度学习和转换器模型，我们提出了一种方法，通过预测临床评分的假设任务，联合从电子病历和超声心动图提取的全部描述符，学习表征艰难识别的心血管病理（高血压），并详细描述了高血压对多个心脏功能描述符的影响。

    Jan, 2024

  • 基于主题的非对比自监督学习用于 ECG 信号处理

    介绍了一种新的自监督学习方法和使用 transformer blocks 的模型，能够提取 ECG 信号并捕获不同的睡眠阶段和不同心律失常。

    May, 2023

  • 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

  • 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

    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

  • 使用自监督学习的多模态多导联心电图心律失常分类

    本论文提出了基于自监督学习技术的多模态心电图分类方法，利用单模态 ECG 的时间序列和频谱信息，以及 SSL-pre-stream 任务和 down-stream 任务结合的方式实现。在评估这种方法的有效性时，使用 12 导联 PhysioNet 2020 数据集进行了十折交叉验证。

    Sep, 2022

  • DrasCLR: 一种用于三维医学图像学习疾病相关和解剖学特定特征的自监督框架

    本文提出了一个名为 DrasCLR 的新型自监督学习（SSL）框架，采用基于实例鉴别的 SSL 方法，通过两种特定于领域的对比学习策略，在 3D 医学成像中提取具有解析解剖学特定功能的特征，可用于不需要冠军数据来完成许多下游任务，比如肺部图像的预测和分割任务，包括病人存活预测任务和广泛且密集预测的肺气肿子类型检测，这可以大大减少注释精力，并且证明了在自监督学习框架中引入解剖上下文的重要性。

    Feb, 2023

  • 使用手工规则增强的神经网络识别心电图异常

    通过将临床规则引入卷积神经网络以提高自动心电图诊断性能，该论文提出了一种称为 HRNN 的手工规则增强神经网络，并在两个大型公共心电图数据集上进行了实验。

    Jun, 2022

  • 利用高阶动态模态分解和视觉 Transformer 对小型数据集中的超声心动图图像进行自动心脏病理识别

    提出了一种基于深度学习框架的自动心脏病理识别系统，该系统通过实时心脏超声图像序列进行分析，包括使用 HODMD 算法进行数据增强和特征提取，并在第二阶段使用 Vision Transformer（ViT）进行有效的从零开始训练，结果表明该系统的优越性和 HODMD 算法的有效性。

    Apr, 2024

  • 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

  • 影像技术一致化 (HAIL)：脑部磁共振成像的单次学习

    我们提出了一种基于神经风格迁移的一次学习方法，用于医学影像的谐调化，以防止医学成像中的幻觉，并有效地保护患者的解剖结构。我们的方法可以应用于新的临床场景和临床试验中的未见数据，成为现实世界医学应用的宝贵工具。

    Aug, 2023