实时自由呼吸心脏磁共振成像的深度学习分割评估
本文提出了一种自动图像分割方法,基于 (Bayesian) 扩张卷积神经网络 (DCNN),用于自动生成手头输入图像的分割掩模和空间不确定性地图,并利用人机交互设置结合分割和不确定性图来提高分割性能。该方法使用 ACDC 的 100 个心脏 2D MR 扫描中的左室腔、右室内膜和心肌 ED 和 ES 进行训练和评估,结果表明,可以使用 DCNN 获得低计算成本的有价值的空间不确定性图。
Sep, 2018
本文介绍了一种自动分割方法,使用扩张型卷积神经网络 (CNN) 对患有先天性心脏病 (CHD) 的患者的心血管磁共振 (CMR) 中的心肌和血池进行分割,并对方法进行了有效性评估。该方法在对仅含有候选机关的图像进行处理的过程中表现良好并适应解剖变异。
Apr, 2017
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
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
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
该研究设计了一项心脏 MRI 分析挑战赛(CMRxMotion Challenge),以评估呼吸运动对图像质量的影响,并检验分割模型的稳健性,招募了 40 名志愿者进行不同的呼气行为,采集了具有伪影的短时成像,并通过定量评估绩效和对比实验,考察自动化影像质量评估和分割任务的算法效果。
Oct, 2022
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
本文提出了一个级联的卷积神经网络框架,使得能够自动化地计算心肌梗死的程度,并且在训练中通过人工生成特征,使模型可以检测和修正 2D 分割错误,并在 EMIDEC 挑战中超越了现有方法以及 2D 和 3D nnU-Net,并且通过大量实验显示出所提出的误差校正级联方法所具有的优点。
Jun, 2023
提出了一种基于卷积神经网络的新的左心室分割算法,能够充分利用心脏运动的时间一致性,从而显著提高左心室分割的精度。该算法在 Cardiac Atlas 数据库上进行了训练和测试,结果表明,在 Dice 系数和平均垂直距离等指标上都明显优于原有的 U-net 模型。
Oct, 2018