Feb, 2024

基于有符号距离场的左房耳分割和统计形状建模

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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 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

    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。

    Dec, 2023

  • 适用于 3D 超声左心房分割的域和几何不可知的 CNNs

    该研究介绍了一种基于深度学习技术的左心房三维超声图像分割方法，结合了左心房形状和影像设备的先验知识，实验结果表明该方法能够提高分割准确度，能够帮助预测和发现各种心血管疾病。

    Apr, 2018

  • 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

  • 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

  • 心脏模型的形状：基于学习到的符号距离函数

    通过三维深度有限函数和立体雅可比技术，我们可以高效地重建患者特异性的心脏解剖模型，从而在其他医学成像领域中具有广泛应用。

    Aug, 2023

  • 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

  • 深度条件形状模型用于 3D 心脏图像分割

    利用深度条件形状模型作为核心组件的新型分割算法，通过深度隐式形状表示学习一个可以为任何感兴趣解剖学生成有符号距离函数的模态不可知形状模型，然后通过解剖标志物对生成的形状进行拟合到图像上，并添加模态依赖的轻量级细化网络以捕捉隐式函数未表示的任何细节，该框架在多种 3D 模态下的心脏左室分割问题上进行评估，自动化的 DCSM 在非对比度 CT 上表现优于基准结果，在对比度 CT 和 3DE 上添加细化后性能得到显著改善，而用户输入标志物的半自动化 DCSM 在全部模态下的 Dice 指数均超过 92%。

    Oct, 2023