Mar, 2024

超声心动图左室射血分数的自动神经网络预测模型开发

PDF
TL;DR基于深度神经网络和集成学习的新型管线方法用于左室射血分数（LVEF）的自动准确量化，并在心力衰竭的诊断和分类中取得了与专家评估相当的效果。
left ventricular ejection fractiondeep neural networksensemble learningsegmentationheart failure
发现论文，激发创造
  • 超声心动图基础模型 -- 应用 1: 估算射血分数

    通过自监督学习在 150 万个心脏超声图像上训练的 EchoAI 模型，成功地评估了心脏射血分数，并获得了平均绝对百分比误差为 9.40%，与专业超声检查者的表现相当。

    Nov, 2023

  • 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

  • 基于语义感知的时间通道注意力在心脏功能评估中的应用

    通过左心室分割、时间通道注意力模块和锚定分类回归方法，从超声心动图视频中准确自动评估心脏功能，取得了最先进的性能提升。

    Oct, 2023

  • 自动化人工智能方法对心脏共振成像的体积和双心室功能进行评估

    报道了一种使用卷积网络来量化心脏双心室功能（体积，质量和射血分数）的新方法，并且在临床环境中验证了该方法的稳健性和计算时间。该方法使用解剖学信息来减少分类错误，并且在约 5 秒钟的时间内以与专家相当的准确度量化双心室功能和体积。

    Jun, 2022

  • 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

  • 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

  • 基于深度学习的冠状动脉分数流预测

    基于深度学习的方法从冠状动脉 CTA 扫描中预测冠状动脉沿程血流储备指数（FFR），为快速准确、自动化的 FFR 预测铺平了道路。

    Aug, 2023

  • 实时自由呼吸心脏磁共振成像的深度学习分割评估

    深度学习网络在实时无呼吸心磁共振成像中对心脏进行体积分析的准确性较高，并且 nnU-Net 方法的表现超过了其他方法，可用于可靠的自动分割。

    Nov, 2023

  • UniLVSeg：通过自监督时序遮罩和弱监督训练实现左室超声心动图视频的统一分割

    该研究提出了一种新颖的方法，通过自监督学习和弱监督训练，在稀疏注释的超声心动图视频中实现了一致的左心室分割，相比最先进的解决方案，在效率更高的同时，取得了 93.32% 的 Dice 得分，并通过包含未标记帧在训练过程中实现高数据效用。

    Sep, 2023

  • 利用光流网络从短轴 Cine MRI 进行左心室分割：保留心动运动的时间连贯性

    提出了一种基于卷积神经网络的新的左心室分割算法，能够充分利用心脏运动的时间一致性，从而显著提高左心室分割的精度。该算法在 Cardiac Atlas 数据库上进行了训练和测试，结果表明，在 Dice 系数和平均垂直距离等指标上都明显优于原有的 U-net 模型。

    Oct, 2018