Nov, 2023

胎儿心脏 MRI 中联合弱监督分割与主动脉弓异常分类的多任务学习

PDF
TL;DR研究论文通过多任务框架进行了自动多类胎儿血管分割和异常分类，并表明其训练策略显著优于传播标签和仅基于 T2w 体积图像训练的网络。 添加分类器可以提高正确分类的双主动脉弓患者的解剖和拓扑准确性。
congenital heart disease3d fetal vessel topologyautomated multi-class fetal vessel segmentationanomaly classificationanatomical and topological accuracy
发现论文，激发创造
  • 多视图超声心动图中先天心脏病的自动解读

    多视角超声心动图自动分析方法，采用深度可分离卷积网络结构对先天性心脏病进行诊断和分类，不需要关键帧选择和视角注释。

    Nov, 2023

  • 作物和夫妻：使用相互关联的专家网络进行心脏图像分割

    使用自动方法对心血管疾病进行诊断通常依赖于心脏图像分割的关键任务。我们提出了一种新的策略，使用专家网络对单个解剖结构（左心室、右心室或心肌）进行分割。给定一个输入的长轴心脏磁共振图像，我们的方法在第一阶段执行三元分割以识别这些解剖区域，然后裁剪原始图像以便将后续处理集中在解剖区域上。专家网络通过注意机制相互链接来自不同解剖结构的特征，作为柔性相对形状先验。我们方法的核心是一种可加注意块（E-2A 块），由于其高效性，它在我们的架构中得以广泛应用。

    Feb, 2024

  • 使用深度完全卷积网络在 CT 扫描中分割主动脉血管树

    采用两阶段的全卷积网络，在 CTA 扫描中准确自动地分割主动脉血管树，达到加速医学图像分析流程的目的，并在 2023 年 MICCAI 主动脉（SEG.A.）挑战赛中，使用公共数据集评估了该方法，取得了较高的 Dice 相似系数（0.920）、Jaccard 相似系数（0.861）、召回率（0.922）和精确度（0.926）的结果。

    May, 2023

  • 使用集成学习的多血管冠状动脉分割和狭窄定位

    通过机器学习解决方案，该研究提出了一种用于冠状动脉造影图像的自动诊断的端到端解决方案，旨在在冠状动脉血管的多血管分割和狭窄病变定位方面进行基准测试。

    Oct, 2023

  • 胸部 CT 扫描的多任务学习：分类、分割、重建和检测

    肺癌和 COVID-19 是世界上患病率和死亡率最高的疾病之一。针对早期阶段疾病的病灶识别对医生而言是困难且耗时的，因此，多任务学习是一种从少量医学数据中提取重要特征（如病灶）的方法，因为它能更好地进行泛化。我们提出了一种新颖的多任务框架，用于分类、分割、重建和检测。据我们所知，我们是第一个将检测添加到多任务解决方案中的研究者。此外，我们还检查了在分割任务中使用两种不同的骨干网络和不同的损失函数的可能性。

    Aug, 2023

  • 基于高斯伪标签的形态学注意力深度监督在非对比 CT 腹主动脉分割中的应用

    本研究通过引入基于高斯伪标签的 Morphological Attention（MA）技术，将其与传统的深度学习模型相结合，以在非对比度 CT 影像中分割腹主动脉的边界。通过此方法，保留了主动脉的形态特征，减轻了边界模糊性的负面影响，降低了过拟合的风险，并在实验中验证了其有效性。

    Feb, 2024

  • 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

  • 多类点云完成网络：基于心动磁共振成像的三维心脏解剖重建

    该研究提出了一种全新的完全自动化表面重建管道，能够从原始的 Cine 磁共振成像获取多类三维心脏解剖网格，其中关键组件是一种多类点云完成网络（PCCN）；研究人员证明了该算法在合成数据集和实际数据集中的高精度和鲁棒性。

    Jul, 2023

  • 用于胸部 CT 中多器官分割的二维扩张残差 U-Net

    本研究提出了一种深度学习框架，用于在胸部 CT 图像中分割器官的关键部分，包括心脏、食管、气管和主动脉，该方法采用扩张卷积和聚合残差连接，在网络的瓶颈处融入全局上下文和密集信息的 U-Net 风格网络，取得了 ISBI 2019 SegTHOR 挑战赛上 20 张未见过的测试样本中总的 Dice 得分为 91.57% 的优异表现。

    May, 2019

  • 胎儿超声异常扫描的统一生物识别估计的多任务学习方法

    我们提出了一种多任务学习方法，通过对超声图像进行分类和分割来准确估计胎儿生物度量参数，实验结果在胎儿超声图像数据集上达到了很高的分类准确率和较小的平均绝对误差。

    Nov, 2023