Nov, 2023

推广超分辨率 4D 流动 MRI - 使用集成学习扩展心血管系统

PDF
TL;DR通过使用异构训练集和专用集成学习，我们研究了 SR 4D Flow MRI 的泛化能力，结果表明，集成学习方法增强了跨领域的超分辨率性能，从而能够准确地预测高分辨率速度并从临床输入数据中生成去噪 SR 图像。
4d flow mrisuper-resolution networksensemble learninghemodynamic conditionscardiovascular domains
发现论文，激发创造
  • 利用物理知识驱动的卷积神经网络进行流体流动的超分辨率和去噪，不需要高分辨率标签

    利用卷积神经网络实现流场高分辨率重构，不需要高分辨率标签，能够提高空间分辨率并降低流场数据的噪声水平。

    Nov, 2020

  • 一个适用于心脏磁共振的通用深度学习系统

    基于自监督对比学习的深度学习模型通过学习心脏核磁共振扫描伴随的放射学报告的原始文本中的视觉概念，展示了对人类心血管疾病和健康的全面评估；我们的模型在美国的四个大型学术临床机构的数据上训练和评估，并在英国 BioBank 和其他两个公开可用的外部数据集上展示了卓越的性能，实现了包括左心室射血分数回归和 35 种不同病症（如心脏淀粉样变及肥厚型心肌病）的诊断等一系列任务，显示出对人类心血管疾病的复杂性的理解能力，并在仅需要一部分通常用于这种任务的训练数据的情况下，实现了令人印象深刻的临床级诊断准确率。

    Dec, 2023

  • 基于解耦动态与形状模型的四维心肌重建

    提出了一种利用 4D 重建方法进行心肌形态和运动状态估计的方法，通过解耦动作和形状，预测限制切片获得的稀疏点云序列的内部 / 间接形状和运动估计。

    Aug, 2023

  • 一种利用可穿戴震动心动图（SCG）进行主动脉瓣狭窄诊断和 4D 流 MRI 获取主动脉血液动力学预测的深度学习方法

    本文研究了在低成本的可穿戴式设备上使用深度学习，通过测量心脏震动信号来预测使用 4D 流 MRI 获得的主动脉血流量参数。该深度学习技术可以用于血流病理变化的识别，并能够区分健康受试者和心脏瓣膜疾病患者。

    Jan, 2023

  • 自监督对比学习中的非配对 MRI 超分辨率

    本研究提出了一种基于自监督对比学习的非配对 MRI 超分辨率方法，利用有限的训练数据提高超分辨率性能，结果显示即使在仅有有限数量的 HR 图像的情况下，峰值信噪比和结构相似性指数都得到了显著提高，强调了该方法在解决有限训练数据挑战上的潜力，以推进临床应用中的高分辨率 MRI。

    Oct, 2023

  • 心血管磁共振成像的多模态表征学习

    提出了 CMRformer 作为临床心磁共振图像和心脏病学家报告的联合学习框架可用于改善医疗保健中标签缺失和视觉上难以解释的复杂成像疾病领域的实效性，同时提供一个庞大的 CMR 数据集可用于治疗和诊断的进一步研究。

    Apr, 2023

  • 心脏扩散加权成像的高分辨率参考图辅助体积超分辨率

    该研究利用基于深度学习的方法提高扩散张量心脏磁共振（DT-CMR）图像质量，实现体积超分辨率，并证明其在心脏超分辨率图像重建中的推广性。

    Oct, 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

  • 多对比度 MRI 的双任意尺度超分辨率

    本文提出了一种基于隐式神经表示的双任意多对比度 MRI 超分辨率方法 (Dual-ArbNet)，该方法可以无限制地使用任意缩放的目标和参考图像进行图像重建，并通过课程学习策略提高了该方法在两个 MRI 数据集上的性能。

    Jul, 2023

  • 基于 ADMM 的深度心脏 MRI 重建

    心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

    Oct, 2023