Mar, 2024

透过深度学习和三平面记录进行心脏瓣膜事件定时的心脏超声检查

PDF
TL;DR该研究利用三面图像记录提出了一种深度学习方法，能够在超声心动图中更准确地检测心脏瓣膜事件，从而改善临床测量的准确性和速度。
cardiac valve event timingechocardiographydeep learningvalve eventsclinical measurements
发现论文，激发创造
  • 利用深度学习在心脏超声图像中进行视图分类和目标检测，以定位瓣膜

    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

  • 多种光谱及组织多普勒超声心动图的综合分析统一方法

    使用卷积神经网络的综合分析方法，自动识别关键特征及提高解释性，对多种多普勒观测图进行全面分析，并在心射血末期（ED）检测方面表现出竞争力。

    Nov, 2023

  • DDSB：超声心动图中无监督和无训练的相位检测方法

    通过无监督分割方法提高鲁棒性，减少依赖于初步分割图像的准确性，在保持与学习模型相当的准确性的同时，避免了传统方法对数据、注释、训练资源的大量需求。

    Mar, 2024

  • 心脏超声成像中容积指数的提取：哪种深度学习方法适用于临床应用？

    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

  • 高冲击力自动超声心动图分析的设计考虑

    本文研究发现，基于心脏数据中健康心脏功能的预测，可通过深度学习算法进行红外图像分析，从而有效避免数据质量偏差，提高心脏病的早期诊断效率。

    Jun, 2020

  • 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

  • 基于离散矢量场估计的 4D CMR 心脏相位检测的自监督运动描述符

    通过利用深度学习和变形图像配准技术，本研究描述了一种基于心脏通过 1D 运动描述符表示动态过程的方法，并定义了一组规则以确定五个心血管相位，从而实现对心脏功能的评估。

    Sep, 2022

  • 基于动态变分轨迹模型的超声心动图可解释异常检测

    提出一种新型异常检测方法，利用心脏周期的周期性来学习三种变量潜在轨迹模型（TVAE），并在我们的新型数据集中进行学习和训练，可靠地识别严重的先天性心脏缺陷，同时在检测肺动脉高压和右心室扩张时表现出比基于标准变分自动编码器的最大后验概率（MAP）异常检测更优越的性能，并通过高亮异常心脏结构对应的区域的热力图实现输出解释。

    Jun, 2022

  • 应用深度学习对急诊心电图进行心脏和除心脏疾病辨别

    该研究展示了一种单一模型在急诊科收集到的心电图数据上具备预测多种心脏和非心脏病症的能力，并提出将该模型作为筛查工具并纳入综合临床决策支持系统来高效地对患者进行分诊。研究强调了全面的心电图分析算法和开放式 MIMIC-IV-ECG 数据集的卓越性能，推动了心电图分析领域的重大进展。

    Dec, 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