CoReEcho: 二维 + 时间超声心动图分析的连续表示学习
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
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
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
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
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
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
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
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