Nov, 2023

稀疏导管路径下左心房的神经网络重建

PDF
TL;DR基于导管的射频消融技术使用稠密的编码 - 解码网络从部分数据中重建左心房的形状，提供早期的左心房可视化，简化手术复杂性，并能在 3 分钟内产生逼真可信的可视化结果。
catheter-based radiofrequency ablationpulmonary vein isolationleft atrial visualizationdense encoder-decoder network3d atrium reconstruction
发现论文，激发创造
  • 适用于 3D 超声左心房分割的域和几何不可知的 CNNs

    该研究介绍了一种基于深度学习技术的左心房三维超声图像分割方法，结合了左心房形状和影像设备的先验知识，实验结果表明该方法能够提高分割准确度，能够帮助预测和发现各种心血管疾病。

    Apr, 2018

  • 心脏磁共振图像增强后钆分割算法的全球基准比较

    本研究基于全球最大的心脏 LGE-MRI 数据集，通过多种技术和生物学度量对 27 个国际团队的左房分割算法进行了深入分析，结果显示使用双连续 CNN 网络的方法明显优于传统方法和包含单个 CNN 的流程，达到了 93.2％的 Dice 分数和 0.7 毫米的平均表面距离，为心脏 LGE-MRI 分割方法的改进迈出了重要一步，并成为该领域评估和比较未来工作的重要基准。

    Apr, 2020

  • 使用无监督图像注册神经网络生成左心耳位移的高分辨率三维图

    提出了一个自动分割左心房的工具，通过磁共振成像技术可以精确地跟踪左心房的运动，提取位移场。

    Sep, 2023

  • 全心循环内左心房运动变形的评估

    通过高分辨率 3D Cine MR 图像，我们提出了全面的技术工作流程，设计了 4D 注册建模以自动分析左心房的运动。利用分割网络和 4D 注册过程精确地描绘了整个心动周期中左心房的分割，并利用图像 4D 注册网络提取左心房位移矢量场。我们的研究结果表明了该端到端框架在提供临床医生用于左心房运动追踪和变形的新颖区域生物标志物方面的潜力，并具有重要的临床意义。

    May, 2024

  • 使用边界聚焦的 nnU-Net 自动分割左房和 LGE-MRI 上的瘢痕

    该研究利用 TopK 损失函数对左心房进行自动分割，并采用基于距离图的技术对左心房瘢痕进行量化，表明使用 nnU-Net 模型的性能优越性，Dice 系数为 88.98 和 64.08%。

    Apr, 2023

  • 通过路径发展网络优化心房颤动患者的药物决策

    通过使用 12 导联心电图数据，本研究引入了一种机器学习算法，用于预测是否应该向房颤患者推荐使用抗凝治疗。该算法利用 STOME 增强时间序列数据，并通过卷积神经网络进行处理。通过引入一种路径发展层，该模型在阴性预测率为 1 的条件下实现了 30.6% 的特异性，而没有引入路径发展的 LSTM 算法在相同条件下仅有 2.7% 的特异性。

    Jan, 2024

  • 基于 3D CINE MRI 和无监督神经网络的高分辨率左房位移和应变地图

    使用自动化工具 Aladdin 从高分辨率三维 Cine MRI 图像中可靠地表征左心房（LA）区域变形的无监督神经网络，生成 LA 位移矢量场和主应变数值图，发现健康组与心血管疾病（CVD）患者之间在位移幅值和主应变数值上有显著差异，并利用 LA 图谱识别个体与整体分布不一致的区域异常，该工具具有重要的临床应用潜力。

    Dec, 2023

  • 应用深度学习网络对心房心动过速的心脏电图进行分类

    本文采用深度学习方法设计了 CNN-LSTM 网络结构用于分类心房心动过速的 EGM 信号，从而提高治疗效果及减少人工标注带来的时间和误差。

    Jun, 2022

  • ECGNET: 深度视觉注意力学习在房颤检测中的应用

    本文通过引入双通道深度神经网络，分析 ECG 信号在检测房颤过程中的重要部位，从而更准确地检测心房颤动，并提高性能。

    Dec, 2018

  • 使用贝叶斯框架下的生成神经网络生成患者特定的心脏腔室模型

    心脏电解解剖图绘制是一种用于心脏病学的技术，旨在创建心脏电活动的详细三维图。通过使用在 CT/MRI 扫描中训练的概率机器学习模型，可以在电解解剖图过程中生成患者特定的心脏腔室三维模型，从而减少手术时间和 X 线暴露，提供模型的可解释性。

    Nov, 2023