Mar, 2024

半监督多模态多实例学习用于主动脉瓣狭窄诊断

PDF
TL;DR自动解释心脏的超声心动图可以改善对主动脉狭窄（AS）这种致命心脏疾病的检测和治疗。为了克服现有方法的局限性，本文介绍了一种新的深度学习框架，即半监督多模式多实例学习（SMMIL），用于自动解释 AS 等结构性心脏疾病。该方法在数据集上的实验证明，在 AS 严重程度分类以及几项临床相关 AS 检测任务方面，SMMIL 表现出优于最近的替代方法。
automated interpretationultrasound imagingaortic stenosisdeep learningsemi-supervised multimodal multiple-instance learning
发现论文，激发创造
  • 基于监督注意力多示例学习从多视角超声图像中检测心脏疾病

    为了自动化筛查主动脉瓣狭窄，我们提出了一种新的端到端的多实例学习方法，引入了监督式注意技术和一种新的自我监督预训练策略。实验表明，与以前的方法相比，我们的方法在提高准确率的同时可以减小模型尺寸。

    May, 2023

  • 基于 AI 的主题建模的个性化主动脉狭窄血动力学

    我们提出了一种人工智能驱动的计算框架，用于加速与民主化的基于患者的主动脉瓣狭窄血流动力学模拟，通过自动网格化算法生成适用于计算和实验室模拟的几何形态，并能够准确地模拟多样化的临床血流动力学测量，从而作为个性化高保真模拟主动脉瓣狭窄生物力学、血流动力学和治疗规划的理想补充工具。

    Jun, 2024

  • ProtoASNet: 动态原型在超声心动图中对无需解释和具有不确定性感知的主动脉瓣狭窄分类中的应用

    通过基于 B 模式超声心动图视频的相似性和学习的时空原型之间的关联性，ProtoASNet 直接检测主动脉瓣狭窄并提供解释，同时利用弃权损失评估不确定性，使其成为一种可靠的系统，能够提供解释哪些情况下可能失败，并为每个预测提供可解释性和不确定性度量。

    Jul, 2023

  • SSASS：半监督式狭窄分割方法

    我们介绍了一种用于心血管狭窄分割的半监督方法，通过数据增广和利用伪标签的学习技术，实现了在冠状动脉造影图像中准确评估病患情况的自动诊断算法。

    Nov, 2023

  • 一种利用可穿戴震动心动图（SCG）进行主动脉瓣狭窄诊断和 4D 流 MRI 获取主动脉血液动力学预测的深度学习方法

    本文研究了在低成本的可穿戴式设备上使用深度学习，通过测量心脏震动信号来预测使用 4D 流 MRI 获得的主动脉血流量参数。该深度学习技术可以用于血流病理变化的识别，并能够区分健康受试者和心脏瓣膜疾病患者。

    Jan, 2023

  • 使用集成学习的多血管冠状动脉分割和狭窄定位

    通过机器学习解决方案，该研究提出了一种用于冠状动脉造影图像的自动诊断的端到端解决方案，旨在在冠状动脉血管的多血管分割和狭窄病变定位方面进行基准测试。

    Oct, 2023

  • 心脏成像中自动检测二尖瓣反流的机器学习方法

    使用新的半监督模型 CUSSP 基于心脏图像切片提出了一种自动诊断心脏瓣膜疾病的方法，通过大量未标记数据学习并结合专门的分类器，取得了当前任务的首个基准结果。

    Oct, 2023

  • 基于多实例学习的儿童心房间隔缺损超声视频检测

    本文介绍了一种基于深度学习的心脏超声视频辅助检测二尖瓣膜狭窄的方法，研究人员使用了 ResNet18 和 r3D 网络对该方法进行了验证，并取得了较高的诊断准确率。

    Jun, 2023

  • 使用开放大规模数据集的深度学习在二维超声心动图中的分割

    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

  • 低成本心脏血液动力学不稳定性检测的多模态变分自编码器

    利用低成本的胸部 X 光和心电图模态，结合大规模未标记数据的预训练方法，我们提出了一种新颖的多模态变分自编码器（CardioVAE_X,G），以实现对心脏血流动力学不稳定性（CHDI）的无创预测，在预测 CHDI 方面显示出有希望的性能，对相关的临床特征解释上也表现出色，从而支持临床决策。

    Mar, 2024