Mar, 2024

CoReEcho: 二维 + 时间超声心动图分析的连续表示学习

PDF
TL;DR利用深度学习模型和 CoReEcho 框架，实现了对超声心动图的自动分析，包括回归射血分数和提取具有鲁棒性和可迁移性的特征。
发现论文，激发创造
  • 多模态心脏超声图像解读的基础模型

    基于多模态深度学习的心脏超声图像和文本关联模型 (EchoCLIP) 可用于心脏功能评估、植入性心内设备识别、临床变化检测和图像 - 文本搜索。

    Aug, 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

  • 将超声心动图像与病历融合，实现连续的患者分层

    利用深度学习和转换器模型，我们提出了一种方法，通过预测临床评分的假设任务，联合从电子病历和超声心动图提取的全部描述符，学习表征艰难识别的心血管病理（高血压），并详细描述了高血压对多个心脏功能描述符的影响。

    Jan, 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

  • 一个适用于心脏磁共振的通用深度学习系统

    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

  • GEMTrans: 基于心脏超声诊断的通用、多级 Transformer 框架

    Echocardiography 的机器学习方法，具备解释性且适用于多视频训练，实现了心脏疾病的诊断和解释，尤其在主动脉瓣狭窄的检测中具备高准确性。

    Aug, 2023

  • 一种动态训练和适应深度强化学习模型于不同、低计算及不断变化的放射学部署环境的框架

    本文提出了三种图像压缩和去噪算法，以便将这些模型用于选择性体验重演的终身强化学习。经过测试，最大熵图像核心得到了最佳性能。

    Jun, 2023

  • 基于稀疏 2D 心脏 MR 图像的全心脏 3D+T 表示学习

    我们提出了一种全心自监督学习框架，利用掩蔽成像建模自动发现心脏图像中空间和时间补丁之间的相关性，以生成有意义且高度聚类的心脏表示，该表示可以直接用于多个下游任务，而且在缺失或有缺陷的心磁共振平面上也具有鲁棒性，该方法在综合 3D+T 心脏信息方面具有出色的性能。

    Jun, 2024

  • 标签丢失：使用多个数据集进行改进的深度学习心脏超声分割处理，解决域转移和部分标注问题

    通过使用多个多样的部分标记数据集，本研究提出了一种新的标签丢失方案以改善心脏超声分割效果，使得模型能够适应各种图像和数据源的多样性。

    Mar, 2024

  • 基于运动模式的超声心动图射血分数预测

    通过利用运动模式的超声心动图进行左心室射血分数的估计和心肌病的分类，详细研究了基于对无标签数据进行结构化利用的对比学习技术在心脏成像方面的有效性和高准确性。

    Sep, 2023