Dec, 2023

CaRe-CNN：基于级联优化的 CNN 用于心肌梗死细分与微血管闭塞的分割

PDF
TL;DR我们提出了 Cascading Refinement CNN (CaRe-CNN)，这是一种完全的 3D、端到端训练、三阶段 CNN 级联，利用有标记的心脏数据的层次结构。通过我们的 CaRe-CNN 进行的准确心脏分割，可以生成个体化心脏模型，为个性化医学迈出了重要的一步。
发现论文，激发创造
  • 基于 2D-3D 级联网络的晚期钆增强心脏磁共振图像中的心肌梗死疤痕分割纠错

    本文提出了一个级联的卷积神经网络框架，使得能够自动化地计算心肌梗死的程度，并且在训练中通过人工生成特征，使模型可以检测和修正 2D 分割错误，并在 EMIDEC 挑战中超越了现有方法以及 2D 和 3D nnU-Net，并且通过大量实验显示出所提出的误差校正级联方法所具有的优点。

    Jun, 2023

  • 级联卷积神经网络用于延迟增强心脏磁共振图像的自动心肌梗死分割

    本文提出了使用级联卷积神经网络从心脏 MRI 图像中，自动分割心肌梗死相关区域的方法，并在 MICCAI 2020 EMIDEC 数据集上，取得优异的分割表现。

    Dec, 2020

  • 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

  • 扩张卷积神经网络在先天性心脏病心血管 MR 分割中的应用

    本文介绍了一种自动分割方法，使用扩张型卷积神经网络 (CNN) 对患有先天性心脏病 (CHD) 的患者的心血管磁共振 (CMR) 中的心肌和血池进行分割，并对方法进行了有效性评估。该方法在对仅含有候选机关的图像进行处理的过程中表现良好并适应解剖变异。

    Apr, 2017

  • 使用卷积循环网络和优化技术的心脏 MRI 重建

    研究提出了一种卷积递归神经网络（CRNN）架构，用于利用时间相关性在监督影像的心脏磁共振成像重建中。该模型结合了单图像超分辨率细化模块，相比于普通 CRNN 的实现，其在结构相似性和标准化均方误差方面，使单线圈重建提高了 4.4％和 3.9％。通过在 l1 损失中使用高通滤波器，可以更好地强调原始数据中缺失的高频细节，从而证明了该模型相较于基准案例的显著改进，并具有进一步提高心脏磁共振成像重建的潜力。

    Sep, 2023

  • 提高心脏 MRI 深度学习分割方法的可信度

    本文提出了一种自动图像分割方法，基于 (Bayesian) 扩张卷积神经网络 (DCNN)，用于自动生成手头输入图像的分割掩模和空间不确定性地图，并利用人机交互设置结合分割和不确定性图来提高分割性能。该方法使用 ACDC 的 100 个心脏 2D MR 扫描中的左室腔、右室内膜和心肌 ED 和 ES 进行训练和评估，结果表明，可以使用 DCNN 获得低计算成本的有价值的空间不确定性图。

    Sep, 2018

  • 多类点云完成网络：基于心动磁共振成像的三维心脏解剖重建

    该研究提出了一种全新的完全自动化表面重建管道，能够从原始的 Cine 磁共振成像获取多类三维心脏解剖网格，其中关键组件是一种多类点云完成网络（PCCN）；研究人员证明了该算法在合成数据集和实际数据集中的高精度和鲁棒性。

    Jul, 2023

  • ConvNeXtv2 融合 Mask R-CNN 用于自动区域基于冠状动脉狭窄的检测和疾病诊断

    冠状动脉疾病的自动化检测和图像分析对诊断过程进行了有效的简化，证实了提出的模型在识别狭窄病变方面表现出色。

    Oct, 2023

  • 用深度级联卷积神经网络重建动态磁共振成像

    通过深度学习生成卡式磁共振（MR）图像序列的方法，能够加速数据采集、提高图像清晰度，且在每张 2D 图像独立重建和序列帧联合重建方面均表现出优异的性能。

    Apr, 2017

  • SAF-Net: 使用多视角超声心动图检测心肌梗死的自注意融合网络

    本研究提出了一种名为自注意力融合网络（SAF-Net）的新型视图融合模型，用于从多视角超声心动图记录中检测心肌梗死（MI）。SAF-Net 模型利用自注意机制学习提取的特征向量中的依赖关系，采用紧凑的架构，包括特征嵌入以降低维度，自注意机制进行视图池化，以及用于分类的稠密层。基于 HMC-QU-TAU 数据集的实验评估表明，所提出的 SAF-Net 模型在精确度、敏感度和准确度上均达到了较高的水平，最准确地检测出了多视角超声心动图记录中的 MI。

    Sep, 2023