基于图卷积神经网络的自动超声心动图视角识别：一种整体方法
使用图卷积神经网络的图结构消除心脏结构分割的解剖错误，实时预测结构轮廓点，并提出使用 U-Net 和图网络的模型间一致性作为输入和分割质量的预测指标。
Oct, 2023
我们提出了 HybridVNet，它是一种将标准卷积神经网络与图卷积无缝集成的新颖架构，可以高效地处理表面和体积网格，并通过图结构对其进行编码。我们的模型结合了传统卷积网络、变分图生成模型、深度监督和网格特定正则化，从 CMR 图像中高效生成高保真度和适合模拟的网格。
Nov, 2023
心射频成像技术通过深度神经网络的物体检测算法实现了对心脏瓣膜的自动定位与识别，为临床医生实时观察心脏功能和相关血液流量提供了低成本且无辐射的重要工具。
Oct, 2023
本篇研究提出了基于 3D nnU-Net 的深度学习方法在医学图像分割方面的应用。 作者比较了该方法与传统 2D 和循环分割方法，并且在新的私人数据集 CARDINAL 上测试了其性能。 结果表明该方法在时序一致性和跨数据集泛化性方面具有优势，并有望成为临床工具的首选。
May, 2023
提出了一种基于深度学习框架的自动心脏病理识别系统，该系统通过实时心脏超声图像序列进行分析，包括使用 HODMD 算法进行数据增强和特征提取，并在第二阶段使用 Vision Transformer（ViT）进行有效的从零开始训练，结果表明该系统的优越性和 HODMD 算法的有效性。
Apr, 2024
基于自监督对比学习的深度学习模型通过学习心脏核磁共振扫描伴随的放射学报告的原始文本中的视觉概念，展示了对人类心血管疾病和健康的全面评估；我们的模型在美国的四个大型学术临床机构的数据上训练和评估，并在英国 BioBank 和其他两个公开可用的外部数据集上展示了卓越的性能，实现了包括左心室射血分数回归和 35 种不同病症（如心脏淀粉样变及肥厚型心肌病）的诊断等一系列任务，显示出对人类心血管疾病的复杂性的理解能力，并在仅需要一部分通常用于这种任务的训练数据的情况下，实现了令人印象深刻的临床级诊断准确率。
Dec, 2023
通过结合详细的心脏解剖分割模型和真实数据集，利用生成对抗网络（GAN）生成 3D 合成数据集来解决医学成像领域中的数据收集和标注困难，从而应对 3D 心脏超声图像数据稀缺问题，并展示了该方法在分割算法训练中的潜在应用价值。
Mar, 2024
本论文介绍了一个新的用于心脏超声检测的数据集 CAMUS，并评估了使用深度卷积神经网络方法自动分割心脏结构以及估计临床指标的效果，结果表明此方法优于传统非深度学习方法，但仍需改进，可用于 2D 心脏超声图像准确且自动化的分析。
Aug, 2019
利用可见性图（VG）和矢量可见性图（VVG）辅以图卷积网络（GCNs），本研究探索了将心电图信号表示为图的方法，并在心律失常分类方面取得了良好的结果。
Apr, 2024