Mar, 2024

DDSB：超声心动图中无监督和无训练的相位检测方法

PDF
TL;DR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。
end-diastolicend-systolicechocardiographyunsupervised segmentationrobustness
发现论文，激发创造
  • 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

  • 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

  • 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

  • 通过扩散模型从舒张末期语义图合成超声心动图像

    通过扩展现有的视频扩散模型，基于语义解剖信息生成超声心动图视频的研究，在改进合成过程中整合空间调整归一化，以提高生成视频的逼真性和连贯性，并在 CAMUS 数据集上展示了优于标准扩散技术的性能。

    Oct, 2023

  • GraphEcho: 基于图的无监督心房超声分割领域适应

    该研究针对超声心动图视频分割，通过无监督领域自适应方法建立了 CardiacUDA 数据集，并引入了一种名为 GraphEcho 的新方法，利用心动周期一致性以及超声心动图视频的先验知识，通过空间交叉域图匹配和时间周期一致性模块，实现了对心脏结构的更好分割，实验证明 GraphEcho 优于现有的 UDA 分割方法。

    Sep, 2023

  • 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

    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。

    Mar, 2024

  • 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

  • 利用高阶动态模态分解和视觉 Transformer 对小型数据集中的超声心动图图像进行自动心脏病理识别

    提出了一种基于深度学习框架的自动心脏病理识别系统，该系统通过实时心脏超声图像序列进行分析，包括使用 HODMD 算法进行数据增强和特征提取，并在第二阶段使用 Vision Transformer（ViT）进行有效的从零开始训练，结果表明该系统的优越性和 HODMD 算法的有效性。

    Apr, 2024

  • 使用深度学习进行彩色多普勒超声心动图的相位展开

    本研究使用基于深度学习的方法可以有效地去除彩色多普勒心脏超声图像中的混叠伪影，并为下游定量分析有效地预处理彩色多普勒图像。

    Jun, 2023

  • 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