Dec, 2023

ConFormer：辅助心脏专家评估心脏功能的新颖深度学习模型集合

PDF
TL;DR该论文介绍了一种名为 ConFormer 的深度学习模型，用于自动估计超声心动图中的射血分数和左心室壁厚度，通过实现 ConFormer 模型，有可能实现经济高效、易于获取且全面的心脏健康监测，从而挽救无数生命。
cardiovascular diseasesheart failureechocardiogram screeningsconformerejection fraction
发现论文，激发创造
  • 超声心动图左室射血分数的自动神经网络预测模型开发

    基于深度神经网络和集成学习的新型管线方法用于左室射血分数（LVEF）的自动准确量化，并在心力衰竭的诊断和分类中取得了与专家评估相当的效果。

    Mar, 2024

  • 超声心动图基础模型 -- 应用 1: 估算射血分数

    通过自监督学习在 150 万个心脏超声图像上训练的 EchoAI 模型，成功地评估了心脏射血分数，并获得了平均绝对百分比误差为 9.40%，与专业超声检查者的表现相当。

    Nov, 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

  • 基于运动模式的超声心动图射血分数预测

    通过利用运动模式的超声心动图进行左心室射血分数的估计和心肌病的分类，详细研究了基于对无标签数据进行结构化利用的对比学习技术在心脏成像方面的有效性和高准确性。

    Sep, 2023

  • 基于计算机深度学习的心血管疾病早期预警模型研究

    基于一维卷积神经网络的心血管疾病风险预警模型，通过填充和标准化 13 个生理指标，将卷积神经网络转化为二维矩阵，并采用一阶卷积操作和最大池化算法进行降维，通过 Adam 算法进行优化。相对于传统方法，该技术的预测精度提高了 11.2%，对数曲线拟合也有显著改善，通过一维卷积神经网络的检验，证实了该新方法的效力和适用性。

    Jun, 2024

  • 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

  • 利用基于视觉的 Transformer 模型从心电图像中检测心脏疾病

    使用先进的视觉转换模型从心电图图像中检测心脏疾病，并与现有研究进行比较，结果显示该框架具有显著的分类结果。

    Oct, 2023

  • 变革心电图诊断：基于 Transformer 的深度学习模型在心血管疾病检测中的深入评估

    本文阐述了 Transformer 结构在心电图分类任务中的应用，总结了最新的 Transformer 模型并探讨了其应用中的挑战和未来的改进方向，为研究人员和从业者提供了宝贵的资源，旨在为心电图识别中的创新应用提供建议。

    Jun, 2023

  • 高冲击力自动超声心动图分析的设计考虑

    本文研究发现，基于心脏数据中健康心脏功能的预测，可通过深度学习算法进行红外图像分析，从而有效避免数据质量偏差，提高心脏病的早期诊断效率。

    Jun, 2020

  • CoReEcho: 二维 + 时间超声心动图分析的连续表示学习

    利用深度学习模型和 CoReEcho 框架，实现了对超声心动图的自动分析，包括回归射血分数和提取具有鲁棒性和可迁移性的特征。

    Mar, 2024