Apr, 2024

多视角心脏图像分割在转 - 维先验下的研究

PDF
TL;DR我们提出了一种新的多阶段跨维度架构，用于多视角心脏图像分割。我们的方法利用短轴和长轴核磁共振（MR）图像之间的关系进行序列化的三维至二维至三维分割，分割长轴和短轴图像。我们的方法在分割短轴和长轴图像中的心脏感兴趣区域方面优于现有方法，在 Multi-Disease、Multi-View & Multi-Center Right Ventricular Segmentation in Cardiac MRI (M&Ms-2) 数据集上进行了评估。
multi-stage trans-dimensional architecturemulti-view cardiac image segmentationlong-axis and short-axis imagesheart localization and cropping (hlc) modulemulti-disease, multi-view & multi-center right ventricular segmentation in cardiac mri (m&ms-2) dataset
发现论文，激发创造
  • 从多视角图像中学习形状先验用于强健心脏磁共振分割

    本文提出了一种基于解剖形态先验知识和多个 2D 标准视图之间的空间上下文关系的方法，来从不同的 MR 短轴图像切片中分割出左心室心肌，该方法具有数据效率高、准确性高的优点，相对于基线模型表现更加卓越。

    Jul, 2019

  • 基于时空 SAM 适应的心脏磁共振 2D+T 短轴和长轴分割

    利用 CMR2D + T-SAM 对 2D + T 心肌分割进行了改进，通过空时调整和 U-Net 框架，利用文本提示以单一模型实现了对短轴和长轴视图的准确分割，在 STACOM2011 数据集上取得 0.885 的心肌 Dice 分数和 2.900 像素的 Hausdorff 距离，并在 ACDC 数据集上展示了 0.840 的 Dice 分数和 4.076 像素的 Hausdorff 距离。

    Mar, 2024

  • 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

  • 作物和夫妻：使用相互关联的专家网络进行心脏图像分割

    使用自动方法对心血管疾病进行诊断通常依赖于心脏图像分割的关键任务。我们提出了一种新的策略，使用专家网络对单个解剖结构（左心室、右心室或心肌）进行分割。给定一个输入的长轴心脏磁共振图像，我们的方法在第一阶段执行三元分割以识别这些解剖区域，然后裁剪原始图像以便将后续处理集中在解剖区域上。专家网络通过注意机制相互链接来自不同解剖结构的特征，作为柔性相对形状先验。我们方法的核心是一种可加注意块（E-2A 块），由于其高效性，它在我们的架构中得以广泛应用。

    Feb, 2024

  • 基于深度学习与空间传播的心脏图像三维一致且鲁棒的分割

    本文提出了一种基于深度学习的方法，通过 U-net 网络和 3D consistency 技术，从 MRI 图像中实现心脏分割，结果表明该方法能够提高空间一致性，具有很好的泛化能力。

    Apr, 2018

  • 心脏磁共振图像增强后钆分割算法的全球基准比较

    本研究基于全球最大的心脏 LGE-MRI 数据集，通过多种技术和生物学度量对 27 个国际团队的左房分割算法进行了深入分析，结果显示使用双连续 CNN 网络的方法明显优于传统方法和包含单个 CNN 的流程，达到了 93.2％的 Dice 分数和 0.7 毫米的平均表面距离，为心脏 LGE-MRI 分割方法的改进迈出了重要一步，并成为该领域评估和比较未来工作的重要基准。

    Apr, 2020

  • 用于自动 3D 核心心脏图像重新定向和分割的多尺度空间变换器 U-Net

    我们提出了一种名为多尺度空间变换 UNet（MS-ST-UNet）的端到端模型，用于从核心心脏图像中同时重新定位和分割左室（LV）区域。该方法采用多尺度策略生成和提取具有不同尺度的图像特征，并通过联合学习促进重新定位和分割任务之间的互相增强。该方法显著改进了重新定位和分割性能，能够为物理学家提供多模态定量分析辅助，减少手动描绘心脏图像的负担，并提供高效的图像处理工作流程。

    Oct, 2023

  • 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

  • 多类点云完成网络：基于心动磁共振成像的三维心脏解剖重建

    该研究提出了一种全新的完全自动化表面重建管道，能够从原始的 Cine 磁共振成像获取多类三维心脏解剖网格，其中关键组件是一种多类点云完成网络（PCCN）；研究人员证明了该算法在合成数据集和实际数据集中的高精度和鲁棒性。

    Jul, 2023

  • DMCVR: 基于形态学引导的扩散模型用于 3D 心脏容积重构

    通过形态导向扩散模型，我们提出了 DMCVR，用于从稀疏的 2D 图像堆叠中更好地重建 3D 心脏容积，这种方法在生成模型中将心脏形态作为条件，消除了潜在代码的耗时迭代优化过程，提高了生成质量。我们的实验表明，DMCVR 在 2D 生成和 3D 重建性能等几个方面非常有效，能够产生高分辨率的 3D 心脏 MRI 重建，超过了当前的技术水平。我们提出的框架有着改善心脏疾病诊断和治疗规划准确性的巨大潜力。

    Aug, 2023