Dec, 2023

基于 3D CINE MRI 和无监督神经网络的高分辨率左房位移和应变地图

PDF
TL;DR使用自动化工具 Aladdin 从高分辨率三维 Cine MRI 图像中可靠地表征左心房（LA）区域变形的无监督神经网络，生成 LA 位移矢量场和主应变数值图，发现健康组与心血管疾病（CVD）患者之间在位移幅值和主应变数值上有显著差异，并利用 LA 图谱识别个体与整体分布不一致的区域异常，该工具具有重要的临床应用潜力。
left atriumcine mrila deformationsbiomarkerscardiovascular disease
发现论文，激发创造
  • 使用无监督图像注册神经网络生成左心耳位移的高分辨率三维图

    提出了一个自动分割左心房的工具，通过磁共振成像技术可以精确地跟踪左心房的运动，提取位移场。

    Sep, 2023

  • 全心循环内左心房运动变形的评估

    通过高分辨率 3D Cine MR 图像，我们提出了全面的技术工作流程，设计了 4D 注册建模以自动分析左心房的运动。利用分割网络和 4D 注册过程精确地描绘了整个心动周期中左心房的分割，并利用图像 4D 注册网络提取左心房位移矢量场。我们的研究结果表明了该端到端框架在提供临床医生用于左心房运动追踪和变形的新颖区域生物标志物方面的潜力，并具有重要的临床意义。

    May, 2024

  • 基于有符号距离场的左房耳分割和统计形状建模

    患有心房颤动的患者具有罹患缺血性中风的风险增加了 5-7 倍。本研究通过量化形态学特征并建立统计形状模型，展示了左心耳形状可以通过 5 个主成分分析模式进行量化，并且能够识别出所谓的鸡翅和非鸡翅形态的两个不同形状群集。

    Feb, 2024

  • 使用边界聚焦的 nnU-Net 自动分割左房和 LGE-MRI 上的瘢痕

    该研究利用 TopK 损失函数对左心房进行自动分割，并采用基于距离图的技术对左心房瘢痕进行量化，表明使用 nnU-Net 模型的性能优越性，Dice 系数为 88.98 和 64.08%。

    Apr, 2023

  • 基于区域应变验证的多级心肌瘢痕检测和定位的深度学习

    通过应用一个基于卷积神经网络的分类算法，使用区域心肌应变的病理特征进行全局、区域和分段级别的心肌疾病诊断，并成功在测试集中对 5490 个左心室区段的 98% 进行了心肌疤痕的检测和定位，为解决心肌疤痕的检测问题提供了潜在解决方案。

    Mar, 2024

  • 多模态学习提升来自心脏 CineMR 图像的晚期机械激活检测

    本研究提出了一种多模态深度学习框架，利用先进的图像技术来改善临床分析性能，该框架首次利用位移编码和激发回波（DENSE）获得的心肌应变的准确性和重复性，来引导晚期机械活化检测中电影心磁共振（CMR）成像的分析。实验证明，我们提出的方法显著改善了电影 CMR 图像的应变分析和晚期机械活化检测的性能，更接近于 DENSE 的成果。

    Feb, 2024

  • 深度学习用于自动筛查心律失常引起的右心室心肌病的应变量化

    自动识别心脏 MR 图像中的位移异常，通过注册、形变分析和应力分析等方法进行心脏运动的量化，并在心脏病诊断中发现具有潜在价值的心脏位移变化。

    Nov, 2023

  • 心脏磁共振图像增强后钆分割算法的全球基准比较

    本研究基于全球最大的心脏 LGE-MRI 数据集，通过多种技术和生物学度量对 27 个国际团队的左房分割算法进行了深入分析，结果显示使用双连续 CNN 网络的方法明显优于传统方法和包含单个 CNN 的流程，达到了 93.2％的 Dice 分数和 0.7 毫米的平均表面距离，为心脏 LGE-MRI 分割方法的改进迈出了重要一步，并成为该领域评估和比较未来工作的重要基准。

    Apr, 2020

  • 左心房晚期钆增强 MRI 图像质量评估的两阶段深度学习框架

    自动化 LGE-MRI 图像诊断质量评估方法，包括左心房检测器和深度神经网络，通过多任务学习和对比学习提高精确度，用于左心房纤维化的可靠高质量扫描和治疗规划。

    Oct, 2023

  • 左心耳血栓形成风险评估的几何深度学习

    本研究通过开发深度学习 (DL) 框架，仅根据患者的特定左心房附属物（LAA）几何形状来预测与血栓形成风险相关的内皮细胞活化潜力（ECAP）分布，建立在几何 DL 的最新进展基础上，该模型在综合合成和 54 个真实的 LAA 数据集上进行训练，平均平均绝对误差为 0.563。

    Oct, 2022