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

提出一种多标记半监督学习模型 (ECGMatch) 来同时识别多种心血管疾病，包括心肌缺血、心室肥厚和心房颤动等，该方法通过神经网络模型结合众多技巧和模块，缓解了标签稀缺性、样本不均衡、未知数据上的性能问题，具有较高的鲁棒性和准确性。

Jun, 2023

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

在医学图像分类中使用变分自编码器框架来提高深度模型的可解释性，通过分离潜在空间并从现有的临床知识中提取 ' 解释 ' 来实现预测和解释输出，进一步通过预测心肌病患者心脏重同步治疗反应来展示模型的潜力。

Jun, 2020

该研究论文介绍了一种名为 Integrative Variational Autoencoder（InVA）的方法，通过借用来自不同来源的多个图像的信息，捕捉了结果图像与输入图像之间的复杂非线性关联，并实现了快速计算，从而提供了在人脑磁共振成像（MRI）中从多个皮层结构测量中获得代价高昂的正电子发射断层摄影（PET）的高精度预测推断。

Feb, 2024

利用变分自编码器提出的生成式主动学习框架解决兽医医学中计算机辅助诊断系统面临的数据缺乏挑战。通过生成数据的添加和训练模型的改进，该方法显著减少了放射照片中的 Frechet Inception 距离和混淆矩阵的假阳性，从而为医学 CAD 的进步做出了贡献。

Mar, 2024

深度学习和传感器的普及加速了心血管系统信号的自动多视图融合 (MVF)。然而，现有的 MVF 模型往往将相同时间步但不同视图的心血管信号合并为一个统一的表示，忽视了心血管事件的异步性以及不同视图之间的固有异质性，导致了严重的视图混淆。本文提出了面向视图的变压器 (VCT) 和多任务遮蔽自编码器 (M2AE)，强调每个视图的中心性，并利用无标签数据实现卓越的融合表示。此外，我们首次系统地定义了缺失视图问题，并引入提示技术，以帮助预训练的 MVF 模型灵活适应各种缺失视图场景。针对心房颤动检测、血压估计和睡眠分期等典型的健康监测任务开展了严格实验证明了我们方法在 MVF 方面相对于现有方法的显著优势。值得注意的是，提示技术仅需要对整个模型的不到 3% 的数据进行微调，大大加强了模型对视图缺失的鲁棒性，同时避免了完整重新训练的需求。结果证明了我们方法的有效性，并突出了它们在心血管健康监测中的实际应用潜力。代码和模型已在指定的 URL 上发布。

Jun, 2024

自动解释心脏的超声心动图可以改善对主动脉狭窄（AS）这种致命心脏疾病的检测和治疗。为了克服现有方法的局限性，本文介绍了一种新的深度学习框架，即半监督多模式多实例学习（SMMIL），用于自动解释 AS 等结构性心脏疾病。该方法在数据集上的实验证明，在 AS 严重程度分类以及几项临床相关 AS 检测任务方面，SMMIL 表现出优于最近的替代方法。

Mar, 2024

本研究探讨了在胸部 X 射线（CXR）图像的学习中使用 Dirichlet 变分自编码器（DirVAE）来学习分离的潜在表示。通过对多标签分类任务的执行， DirVAE 模型学习的多模态潜在表示的预测能力得到了研究，结果表明 DirVAE 能够分离具有类特异性的视觉特征，这是 GVAE 所没有的，同时相对于 GVAE 有较小的性能提高。

Feb, 2023

本研究提出了一种多模态深度学习框架，利用先进的图像技术来改善临床分析性能，该框架首次利用位移编码和激发回波（DENSE）获得的心肌应变的准确性和重复性，来引导晚期机械活化检测中电影心磁共振（CMR）成像的分析。实验证明，我们提出的方法显著改善了电影 CMR 图像的应变分析和晚期机械活化检测的性能，更接近于 DENSE 的成果。

Feb, 2024