Nov, 2023

使用深度学习方法的产科多普勒超声信号质量点对点实时检测

PDF
TL;DR通过深度学习框架，提高手机数据采集系统中胎儿多普勒数据的质量，并实时提供信号质量指标，从而在低资源社区中改进记录信号的质量。
deep learning frameworkfetal doppler datadata qualitysignal quality metricmobile phone
发现论文，激发创造
  • 脐动脉多普勒成像自动引导和质量评估系统

    本研究提出了一种自动系统，使用改进的 Faster R-CNN 算法协助超声医生对胎儿超声筛查中脐动脉峡部多普勒图像的获取和质量评估。对国家超声筛查数据库中 657 个样本进行实验验证，结果表明该系统的使用可以有效指导超声医生，提高脐动脉多普勒图像的质量。

    Apr, 2023

  • DopUS-Net: 基于多普勒信号的质量感知机器人超声成像

    本文提出了一种利用 Doppler 效应的血管再识别模块的 DopUS-Net，用于血管病变的自动分割和血管筛选程序的实时监测，实验结果表明，这种方法可以显著提高分割结果的准确性和鲁棒性。

    May, 2023

  • 低资源环境中的胎儿超声 AI 系统

    本论文研究了怀孕期间母婴保健的重要性，探讨了人工智能辅助超声波技术诊断胎儿发育状况的可行性，特别是针对在低资源环境下不熟练的超声设备操作人员的辅助作用，模型可以用于预测孕周和胎儿位置，提高了胎儿保健水平。

    Mar, 2022

  • 基于扩散的迭代反事实解释方法用于胎儿超声图像质量评估

    使用基于扩散的对照解释人工智能技术，从低质量的非标准图像生成逼真的高质量的标准图像，改善产科超声图像质量，进而提供可靠的临床诊断和监测手段。

    Mar, 2024

  • 深度学习胎儿超声视频模型在生物测量方面与人类观察者相匹配

    使用深度卷积神经网络（CNN）自动测量胎儿头围、双顶径、腹围和股骨长度，以及使用胎儿超声视频估计胎龄和胎儿重量，利用名为 FUVAI 的新型多任务基于 CNN 的时空胎儿 US 特征提取和标准平面检测算法。我们发现，自动测量胎儿生物测量学功能的 FUVAI 和由有经验的超声医生进行的测量相比是可比较的。再者，分析表明，当将任何个别医疗专家与我们的模型进行比较时，这些差异在统计学上并不显着。

    May, 2022

  • 用于自动评估胎儿超声视频质量的分层代理强化学习框架

    本研究通过强化学习提出了一个双层质量评估模型，能有效地评估超声图像的质量，通过稀疏的二进制注释训练，结果证实该模型能够胜任胎儿脑数据质量评估任务。

    Apr, 2023

  • SonoNet: 实时检测和定位自由手超声中胎儿标准扫描平面

    本研究提出了基于卷积神经网络的新方法，可以自动检测 13 个胎儿标准扫描视图并通过边界框提供胎儿结构的定位，且只需通过图像级标签进行弱监督学习，提供实时定位，检测和检索的精度表现都很高。

    Dec, 2016

  • 基于长期产前电子胎心监测数据的胎儿健康监测的深度学习与信息融合及模型解释

    该研究开发了一个名为 LARA 的长期胎心率监测自动分析系统，结合了深度学习和信息融合方法，其核心是一个卷积神经网络模型。该系统通过处理长期胎心率数据并生成风险分布图和风险指数作为分析结果，具有良好的性能。研究观察到具有较高风险指数的长期胎心率监测数据更有可能导致不良结果。该研究首次引入了 LARA 作为长期胎心率监测的自动分析系统，并为未来其在临床价值方面开展进一步的探索奠定了基础。

    Jan, 2024

  • 一种用于保持形态的胎儿心电图提取的新型深度学习技术：基于 1D-CycleGAN 的母体心电图

    通过基于 1D CycleGAN 的方法，我们能够在保持心电图形态的同时，重建胎儿心电图信号，从而提高胎儿心率和 R-R 间期的估计准确性，为胎儿心脏疾病的早期诊断和定期健康检查提供一种高效的工具。

    Sep, 2023

  • 多种光谱及组织多普勒超声心动图的综合分析统一方法

    使用卷积神经网络的综合分析方法，自动识别关键特征及提高解释性，对多种多普勒观测图进行全面分析，并在心射血末期（ED）检测方面表现出竞争力。

    Nov, 2023