Nov, 2023

深度学习用于自动筛查心律失常引起的右心室心肌病的应变量化

PDF
TL;DR自动识别心脏 MR 图像中的位移异常，通过注册、形变分析和应力分析等方法进行心脏运动的量化，并在心脏病诊断中发现具有潜在价值的心脏位移变化。
cardiac motioncardiac mriregistrationstrainarrhythmogenic right ventricular cardiomyopathy
发现论文，激发创造
  • 呼吸运动下极端心脏磁共振分析挑战（CMRxMotion）

    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

  • 多模态学习提升来自心脏 CineMR 图像的晚期机械激活检测

    本研究提出了一种多模态深度学习框架，利用先进的图像技术来改善临床分析性能，该框架首次利用位移编码和激发回波（DENSE）获得的心肌应变的准确性和重复性，来引导晚期机械活化检测中电影心磁共振（CMR）成像的分析。实验证明，我们提出的方法显著改善了电影 CMR 图像的应变分析和晚期机械活化检测的性能，更接近于 DENSE 的成果。

    Feb, 2024

  • 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

  • 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

  • 使用 k 空间数据增强和课程学习自动检测心脏 MR 运动伪影的基于 CNN 的方法

    本研究提出了基于深度学习的方法，通过数据增强技术和学习曲线，自动检测心脏磁共振心动图像（CMR）中与运动相关的伪影，该方法在 UK Biobank 数据集上取得了 0.89 ROC 曲线下区域的高分类性能

    Oct, 2018

  • DeepMesh: 基于深度学习的基于网格的心脏运动跟踪

    基于心脏磁共振图像的 3D 运动估计对于评估心脏功能和诊断心血管疾病至关重要。本文提出了一种基于 DeepMesh 的学习框架，旨在从 CMR 图像中将心脏网格传播到个体空间，并估计个体的心脏网格的 3D 运动。该方法通过开发一种可微分的网格到图像光栅化器，能够利用来自多个解剖视图的 2D 形状信息进行 3D 网格重建和网格运动估计。实验结果表明，该方法在定量和定性上优于其他基于图像和基于网格的心脏运动跟踪方法，特别针对左心室的 3D 运动估计。

    Sep, 2023

  • DeepTag: 一种基于无监督深度学习的心脏标记磁共振图像运动跟踪方法

    本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

    Mar, 2021

  • 基于强度的心脏磁共振图像的三维运动校正

    通过最大化切片交叉区域间的配对强度一致性，我们提出了一种算法来同时对所有短轴和长轴切片进行校准，无需任何先验知识，展示了我们的方法对于大范围的旋转和平移具有鲁棒性。

    Mar, 2024

  • 实时自由呼吸心脏磁共振成像的深度学习分割评估

    深度学习网络在实时无呼吸心磁共振成像中对心脏进行体积分析的准确性较高，并且 nnU-Net 方法的表现超过了其他方法，可用于可靠的自动分割。

    Nov, 2023

  • 利用半监督学习表观流动对 Cine MRI 中的可解释性心脏病理分类进行运动特征化

    提出一种基于图像特征的心脏病理分类方法，其中使用半监督学习程序来提取心脏运动的形状和运动特征，生成心肌和心腔的时间序列运动特征，并结合形状特征进行分类，取得了高检测准确率。

    Nov, 2018