Feb, 2024

基于点云的心脏 SPECT MPI 和 CTA 之间的配准与图像融合

PDF
TL;DR提出了一种基于点云的注册和图像融合方法，用于心脏单光子发射计算机断层扫描心肌灌注图像和心脏计算机断层扫描血管造影图像间的配准与融合。
point cloud-based registrationimage fusioncardiac single photon emission computed tomographymyocardial perfusion imagescardiac computed tomography angiograms
发现论文，激发创造
  • 用于心脏 SPECT 和 CT 交叉模态配准的双分支压缩融合激活模块

    本文探究 SPECT 及 CT 拍摄后嵌套及校正，引入一种名为 DuSFE 模型的卷积神经网络融合模型，同时提高了其准确性与特色。

    Jun, 2022

  • 自我监督少样本学习的连续最大流增强在 SPECT 左心室中的应用

    提供了一种方法来自动分割心肌，并在小型和低质量标签的重新重建 SPECT 恢复的视野体积上使用连续最大流算法和先验形状信息来增强 3D U-Net 自监督学习方法，实验结果显示，在高噪声 SPECT 心脏数据集上，基于先前的最先进解决方案，定量指标有了 5-10% 的增长，为解决少样本自监督学习问题提供了可行的方法。

    May, 2024

  • 一种利用深度学习预测心脏再同步治疗响应的新方法

    使用深度学习模型将临床参数、心电图特征、心脏功能评估参数和 SPECT MPI 的极地图相结合，预测心脏重同步治疗的患者反应，对于预测预后具有较高准确性。

    May, 2023

  • 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

  • 适应性数据一致性双域迭代网络联合降噪和少角度重建用于低剂量心脏 SPECT

    提出了一种双域迭代网络方法，可从心脏 SPECT 的低剂量和少角度投影中进行端到端联合降噪和重建，且使用临床 MPI 数据实验表明，所提出的方法优于现有的图像域、投影域和双域技术，可生成更准确的投影和重建结果。

    May, 2023

  • 基于变压器的双域网络用于少视角专用心脏 SPECT 图像重建

    本研究提出了一种基于 3D 变换器的双域网络（TIP-Net），用于高质量的 3D 心脏 SPECT 图像重建，该方法使用深度学习方法直接从投影数据中重建 3D 心脏 SPECT 图像，然后通过图像域重建网络进一步改进重建结果。经由心脏导管术图像、核心科技医师的诊断解读和 FDA 510 (k) 认证的临床软件量化的缺陷大小的验证，与基线方法相比，我们的方法在人体研究中产生了具有更高心脏缺陷对比度的图像，从而在使用固定少角度的专用心脏 SPECT 扫描仪上实现了高质量的缺陷可视化。

    Jul, 2023

  • 跨域迭代网络用于低剂量心脏 SPECT 的同时去噪、有限角度重建和衰减校正

    本文提出了一种用于心脏 SPECT 的交叉领域迭代网络（CDI-Net），用于同时去噪声、重建和进行无 CT 校正，并以临床数据实现实验验证。此外，本文通过消融研究证明了跨领域和跨迭代连接以及自适应权重重新校准器在提高重建性能方面的重要性。

    May, 2023

  • 基于 3D 形状的心肌梗死预测：使用点云分类网络

    本文中，我们提出了一种利用完整的三维心脏形状的点云提高心肌梗死事件检测的方法，并通过对 1068 名英国生物银行受试者进行评估，在流行性心肌梗死检测和新发性心肌梗死预测任务上实现了分别超过临床基准约 13％和 5％的进展。此外，我们分析了每个心室和心脏时相在基于三维形状的心肌梗死检测中的作用，并进行了形态和生理模式的视觉分析。

    Jul, 2023

  • 利用光流网络从短轴 Cine MRI 进行左心室分割：保留心动运动的时间连贯性

    提出了一种基于卷积神经网络的新的左心室分割算法，能够充分利用心脏运动的时间一致性，从而显著提高左心室分割的精度。该算法在 Cardiac Atlas 数据库上进行了训练和测试，结果表明，在 Dice 系数和平均垂直距离等指标上都明显优于原有的 U-net 模型。

    Oct, 2018

  • 心外膜及时引导的实时心脏超声帧到体积注册

    通过超声帧到体积的实时融合，基于术中 2D 图像和术前 3D 体积，提供了一个全面的心脏介入手术指导视图。然而，由于心脏超声图像在信噪比低、相邻帧之间差异小，以及 2D 帧和 3D 体积之间尺寸变化显著，因此实现实时准确的心脏超声帧到体积的配准是一项非常具有挑战性的任务。本文提出了一种轻量级的端到端心脏超声帧到体积配准网络，称为 CU-Reg。具体而言，该模型利用心外膜引导的解剖线索来加强 2D 稀疏和 3D 密集特征的交互作用，然后通过体素级的局部全局特征汇聚增强特征，从而提高低质量超声模态的跨维度匹配效果。我们进一步在混合监督学习中嵌入了帧间判别性正则化项，以增加同一超声体积中相邻切片之间的区别，确保配准的稳定性。在重新处理的 CAMUS 数据集上的实验结果表明，我们的 CU-Reg 在配准精度和效率方面超过了现有方法，满足了临床心脏介入手术的指导要求。

    Jun, 2024