Nov, 2023

多种光谱及组织多普勒超声心动图的综合分析统一方法

PDF
TL;DR使用卷积神经网络的综合分析方法，自动识别关键特征及提高解释性，对多种多普勒观测图进行全面分析，并在心射血末期（ED）检测方面表现出竞争力。
doppler echocardiographyautomating doppler analysisconvolutional neural networkspectral and tissue doppler echocardiography imagesend-diastole (ed) detection
发现论文，激发创造
  • 使用深度学习进行彩色多普勒超声心动图的相位展开

    本研究使用基于深度学习的方法可以有效地去除彩色多普勒心脏超声图像中的混叠伪影，并为下游定量分析有效地预处理彩色多普勒图像。

    Jun, 2023

  • 高冲击力自动超声心动图分析的设计考虑

    本文研究发现，基于心脏数据中健康心脏功能的预测，可通过深度学习算法进行红外图像分析，从而有效避免数据质量偏差，提高心脏病的早期诊断效率。

    Jun, 2020

  • DDSB：超声心动图中无监督和无训练的相位检测方法

    通过无监督分割方法提高鲁棒性，减少依赖于初步分割图像的准确性，在保持与学习模型相当的准确性的同时，避免了传统方法对数据、注释、训练资源的大量需求。

    Mar, 2024

  • 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

  • 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

  • DopUS-Net: 基于多普勒信号的质量感知机器人超声成像

    本文提出了一种利用 Doppler 效应的血管再识别模块的 DopUS-Net，用于血管病变的自动分割和血管筛选程序的实时监测，实验结果表明，这种方法可以显著提高分割结果的准确性和鲁棒性。

    May, 2023

  • 通过扩散模型从舒张末期语义图合成超声心动图像

    通过扩展现有的视频扩散模型，基于语义解剖信息生成超声心动图视频的研究，在改进合成过程中整合空间调整归一化，以提高生成视频的逼真性和连贯性，并在 CAMUS 数据集上展示了优于标准扩散技术的性能。

    Oct, 2023

  • 利用深度学习在心脏超声图像中进行视图分类和目标检测，以定位瓣膜

    心射频成像技术通过深度神经网络的物体检测算法实现了对心脏瓣膜的自动定位与识别，为临床医生实时观察心脏功能和相关血液流量提供了低成本且无辐射的重要工具。

    Oct, 2023

  • 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

  • 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