Dec, 2023

一个适用于心脏磁共振的通用深度学习系统

PDF
TL;DR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。
cardiac mrideep learningself-supervised contrastive learningleft ventricular ejection fraction regressiondiagnosis
发现论文，激发创造
  • 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

  • 心脏图像分割的深度学习综述

    本文综述了 100 余篇使用深度学习方法进行心脏图像分割的文献，包括磁共振成像、计算机断层扫描和超声成像等常见成像模态和感兴趣的主要解剖结构（心室、心房和血管）。此外，还总结了公开可用的心脏图像数据集和代码库，并对当前深度学习方法的挑战和局限性（标注不足、模型泛化能力、可解释性）进行了讨论，并提出了未来研究的潜在方向。

    Nov, 2019

  • 一个深度学习模型在使用 ACDC 挑战数据集中应用于心脏 MRI 分割的可解释性

    该研究使用 D-TCAV 方法研究了是否可以从深度网络中发现代表不同心脏状况的概念，并为心脏疾病诊断提供量化的概念重要性的指标。结果表明，D-TCAV 提供了一个比基础方法更具用户独立性和更短的预处理时间的创新应用方法，可应用于心脏 MRI 分析和诊断。

    Mar, 2021

  • 心脏病学中的深度学习

    本文回顾了在心脏病学领域中使用深度学习技术的应用论文，重点讨论了在医学领域中使用深度学习的优势和局限性，并提出了一些在临床实践中最可行的方向。

    Feb, 2019

  • 基于深度神经网络的心脏磁共振图像方位识别与标准化

    利用深度神经网络对心脏 MRI 图像的取向进行分类和标准化，采用迁移学习策略适应多序列和多模态的 MRI 图像，验证了模型的鲁棒性和有效性。

    Jul, 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

  • 基于半监督学习的心脏磁共振图像自动诊断

    该研究论文介绍了一种用于心脏图像的自动分割和辅助诊断的半监督模型，通过利用心脏 MRI 图像和仅需少量标注图像数据，实现了对心脏图像的全自动、高精度分割，特征提取，临床指数计算和疾病预测，并展示该模型在分割和预测中的高准确性，具备实际指导和应用价值。

    May, 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

  • 心脏超声成像中容积指数的提取：哪种深度学习方法适用于临床应用？

    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

  • 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