Nov, 2023

一种具有线性 - SVM 的测压特征描述符，用于区分食管收缩力量

PDF
TL;DR利用图像处理技术对高分辨食管测压进行分析，预测食管收缩力量以辅助评估食管动力功能，并通过机器学习方法实现对食管收缩力量的分类，准确率达到 86.83%，高于其他常见机器学习方法。
high-resolution manometryesophageal dynamic functionimage processingesophageal contraction vigormachine learning methods
发现论文，激发创造
  • 食管长期高分辨喝咽运动检测与聚类

    提出了一种基于深度学习的吞咽事件检测方法，能够准确识别 LTHRM 数据中的吞咽事件和次生非吞咽诱发食道运动障碍，并对识别出的吞咽事件进行不同类别的聚类，通过高经验的临床医生对不同的吞咽模式进行验证，从而使 LTHRM 在临床护理中具备可行性和积极的临床影响。

    May, 2024

  • 自监督卷积核基于手工特征融合：超声心动图增强左心室高血压病变表型划分

    基于自监督学习的卷积滤波器用于医学图像的特征映射预处理，实现了手工特征的一致性提取和心肌病分类的优越性能。

    Oct, 2023

  • 将超声心动图像与病历融合，实现连续的患者分层

    利用深度学习和转换器模型，我们提出了一种方法，通过预测临床评分的假设任务，联合从电子病历和超声心动图提取的全部描述符，学习表征艰难识别的心血管病理（高血压），并详细描述了高血压对多个心脏功能描述符的影响。

    Jan, 2024

  • 对预训练的摘要问答模型进行微调用于临床文档解析

    解释了一个系统，可以解析超声心动图报告并验证射血分数 (EF) 值，从而帮助确定适合加入远程患者监测项目的心力衰竭 (HF) 患者的资格。该系统通过在定制标记数据上进行微调，使用预训练的抽取问答 (extractive QA) 变换器模型，采用了在低资源环境中推广解决方案的方法，并最终通过在 MIMIC-IV-Note 等公共临床数据集上运行实验，帮助我们的临床医生自动完成规模任务，节省了超过 12 个月中超过 1500 小时的时间。

    Dec, 2023

  • 深度度量学习用于心电图信号的血流动力学推断

    心脏衰竭是一种影响数百万人的严重疾病，对他们的生活质量和死亡率产生重要影响。本研究使用电生理信号等非侵入性方法来评估心脏压力，提出了一种基于深度度量学习的模型，该模型在有限标签数据情况下表现良好，并具有患者亚组之间的高度性能表现。

    Aug, 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

  • 基于离散矢量场估计的 4D CMR 心脏相位检测的自监督运动描述符

    通过利用深度学习和变形图像配准技术，本研究描述了一种基于心脏通过 1D 运动描述符表示动态过程的方法，并定义了一组规则以确定五个心血管相位，从而实现对心脏功能的评估。

    Sep, 2022

  • 基于短时心电图和长时心率变异采样的多模态心力衰竭风险评估

    该研究论文提出了多模式方法，结合 30 秒的心电图记录和近似的长期心率变异性数据（HRV）来估计心衰住院风险。实验结果显示，在心衰风险评估方面，所提出的方法具有较高的模型性能，并在多个外部心电图数据集上展示了竞争性的区分力。通过在 Apple Watch 数据上的可迁移性测试，并在 myHeartScore 应用程序中实施该方法，能够提供成本效益高且易于获取的心衰风险评估，有助于心衰的预防和管理。

    Mar, 2024

  • 基于机器学习的 BOLD fMRI 和头动参数对健康成年人呼吸波动的估计

    该研究提出了一种使用头部运动参数和 BOLD 信号来重构 RV 波形的 CNN 模型，结果表明将头部运动参数与 BOLD 信号相结合可以增强 RV 波形估计。

    Apr, 2024

  • 通过结合 CNNs 的分类和 HMMs 的时间序列分析在胃肠道中进行精确定位

    本研究提出了一种有效地对视频胶囊内镜图像进行肠胃分类的方法，该方法通过将卷积神经网络（CNN）用于分类与隐马尔可夫模型（HMM）的时间序列分析属性相结合，演示了连续的时间序列分析可以识别和纠正 CNN 输出的错误，该方法在罗得岛（RI）胃肠病学数据集上达到了 98.04％的准确率，适用于只需大约 1M 参数的低功耗设备，从而可以精确定位胃肠道。

    Oct, 2023