Nov, 2023

多视图超声心动图中先天心脏病的自动解读

PDF
TL;DR多视角超声心动图自动分析方法，采用深度可分离卷积网络结构对先天性心脏病进行诊断和分类，不需要关键帧选择和视角注释。
congenital heart diseasemulti-view echocardiogramsdepthwise separable convolutionkey-frame selectionvideo-based model
发现论文，激发创造
  • 基于多实例学习的儿童心房间隔缺损超声视频检测

    本文介绍了一种基于深度学习的心脏超声视频辅助检测二尖瓣膜狭窄的方法，研究人员使用了 ResNet18 和 r3D 网络对该方法进行了验证，并取得了较高的诊断准确率。

    Jun, 2023

  • SDF4CHD：先天性心脏病的心脏解剖生成建模

    通过计算模型和深度学习方法，我们提出了一种类型和形状解耦的生成模型，以捕捉不同先天性心脏病类型中观察到的广泛心脏解剖变化，并合成保留特定先天性心脏病类型独特拓扑结构的心脏解剖。

    Nov, 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 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

  • 胎儿心脏 MRI 中联合弱监督分割与主动脉弓异常分类的多任务学习

    研究论文通过多任务框架进行了自动多类胎儿血管分割和异常分类，并表明其训练策略显著优于传播标签和仅基于 T2w 体积图像训练的网络。 添加分类器可以提高正确分类的双主动脉弓患者的解剖和拓扑准确性。

    Nov, 2023

  • 使用 2D 多视角心脏超声显像区分肥厚型心肌病和心脏淀粉样变性的深度学习驱动流程

    通过多视角分析，利用 2D 超声心动图来区分扩张型心肌病和心脏淀粉样变。该方法通过将 2D 超声心动图数据分类为五个不同的超声心动图视图，并分别提取每个视图的特征，在疾病分类中结合五个特征。研究结果表明该方法在准确识别扩张型心肌病和心脏淀粉样变方面具有很好的效果。

    Apr, 2024

  • Temporal HeartNet：实现胎儿心脏筛查视频自动分析的人类水平

    该研究提出了一种自动描述以及指导超声（US）胎儿心脏视频图像解释的有用信息的方法，使用卷积神经网络与锚机制及 IoU 误差进行多任务预测和位置精确定位，最终能够精准地描述困难 US 视频中详细的心脏参数，实现与专家注释相当的性能，研究在临床数据集上进行。

    Jul, 2017

  • 使用开放大规模数据集的深度学习在二维超声心动图中的分割

    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

  • 基于 3D CNN 分割、迁移学习和 Adagrad 优化的心脏病检测机器学习优化

    提出一种利用机器学习和图像处理技术结合的新型框架来预测冠心病是否存在，并通过数据分析、特征选择、特征提取、特征融合、分类和 Adagrad 优化等多个阶段完成，此框架通过评估得出在预测冠心病存在时有非常高的准确度。

    Apr, 2023

  • 基于动态变分轨迹模型的超声心动图可解释异常检测

    提出一种新型异常检测方法，利用心脏周期的周期性来学习三种变量潜在轨迹模型（TVAE），并在我们的新型数据集中进行学习和训练，可靠地识别严重的先天性心脏缺陷，同时在检测肺动脉高压和右心室扩张时表现出比基于标准变分自动编码器的最大后验概率（MAP）异常检测更优越的性能，并通过高亮异常心脏结构对应的区域的热力图实现输出解释。

    Jun, 2022