Nov, 2023

使用贝叶斯框架下的生成神经网络生成患者特定的心脏腔室模型

PDF
TL;DR心脏电解解剖图绘制是一种用于心脏病学的技术，旨在创建心脏电活动的详细三维图。通过使用在 CT/MRI 扫描中训练的概率机器学习模型，可以在电解解剖图过程中生成患者特定的心脏腔室三维模型，从而减少手术时间和 X 线暴露，提供模型的可解释性。
electroanatomical mappingprobabilistic machine learningcardiac chamber modelsct/mri scansinterpretability
发现论文，激发创造
  • 应用深度学习网络对心房心动过速的心脏电图进行分类

    本文采用深度学习方法设计了 CNN-LSTM 网络结构用于分类心房心动过速的 EGM 信号，从而提高治疗效果及减少人工标注带来的时间和误差。

    Jun, 2022

  • 基于心电图的浦肯野网络的概率学习

    从非侵入性临床数据中，利用概率方法识别浦肯野网络，以构建精确的心脏数字孪生模型，为精准心脏学提供可靠预测和不确定性参数估计。

    Dec, 2023

  • 通过心脏核磁共振的知识转移解锁心电图的诊断潜力

    提出了自监督的对比学习方法，实现了从心电图数据中进行心脏筛查和疾病诊断。

    Aug, 2023

  • 基于 12 导联心电图的先天性心脏病解剖诊断的黎曼预测

    在这篇论文中，我们利用心脏病患者的 12 导联心电图（ECG）信号的空间协方差结构的黎曼几何来改善分类，通过协方差增强和切空间投影来提高特征提取质量，并通过消融实验证明相比传统机器学习模型和深度学习，我们的方法在 ECG 时间序列数据上取得显著的改进。

    Nov, 2023

  • CardioSpectrum：3D 深度学习与几何洞察的全面心肌运动分析

    利用三维光流技术和函数图（FMs），我们提出了一种全面的方法来解决传统神经网络难以预测微小切向运动的问题，从而显著提高心肌三维地图的准确性，该方法可用于改善心血管诊断。

    Jul, 2024

  • 使用 GAN 生成 3D 心脏超声图像的合成标记数据集的数据增强流水线

    通过结合详细的心脏解剖分割模型和真实数据集，利用生成对抗网络（GAN）生成 3D 合成数据集来解决医学成像领域中的数据收集和标注困难，从而应对 3D 心脏超声图像数据稀缺问题，并展示了该方法在分割算法训练中的潜在应用价值。

    Mar, 2024

  • 多类点云完成网络：基于心动磁共振成像的三维心脏解剖重建

    该研究提出了一种全新的完全自动化表面重建管道，能够从原始的 Cine 磁共振成像获取多类三维心脏解剖网格，其中关键组件是一种多类点云完成网络（PCCN）；研究人员证明了该算法在合成数据集和实际数据集中的高精度和鲁棒性。

    Jul, 2023

  • 基于深度学习的心脏运动预测电性心律失常电路：一项模拟研究

    利用深度学习和神经网络可以计算和预测心脏肌肉的室性心律失常，靶向识别电触发或驱动器，可以利用影像数据计算肌肉的内壁动作电位波形。

    May, 2023

  • 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

  • 心脏 MRI 分类的全局与局部可解释性

    本文提出了一种可解释的卷积神经网络模型，基于变分自编码器，用于识别心脏核磁共振分割序列中的疾病，并使用 ' 概念激活向量 ' 技术关联一些向量，并定性地观察在这些向量方向上的测量值的变化，从而提供相应的自然可解释概念，该方法在英国生物银行心脏磁共振成像数据集上检测冠状动脉疾病。

    Jun, 2019