Apr, 2024

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

PDF
TL;DR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。
heart diseasescardiac pathology recognitiondeep learning frameworkechocardiographyhodmd algorithm
发现论文，激发创造
  • 利用基于视觉的 Transformer 模型从心电图像中检测心脏疾病

    使用先进的视觉转换模型从心电图图像中检测心脏疾病，并与现有研究进行比较，结果显示该框架具有显著的分类结果。

    Oct, 2023

  • 将超声心动图像与病历融合，实现连续的患者分层

    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

  • 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

  • 基于图卷积神经网络的自动超声心动图视角识别：一种整体方法

    使用图卷积技术学习三维心脏网格，通过生成合成超声图像并进行实验验证，展示了图对于改善心脏视图识别的潜力，并最终提高心脏诊断效率。

    Feb, 2024

  • 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

  • 多视图超声心动图中先天心脏病的自动解读

    多视角超声心动图自动分析方法，采用深度可分离卷积网络结构对先天性心脏病进行诊断和分类，不需要关键帧选择和视角注释。

    Nov, 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

  • 基于动态变分轨迹模型的超声心动图可解释异常检测

    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

  • 一个适用于心脏磁共振的通用深度学习系统

    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

  • 利用深度学习在心脏超声图像中进行视图分类和目标检测，以定位瓣膜

    心射频成像技术通过深度神经网络的物体检测算法实现了对心脏瓣膜的自动定位与识别，为临床医生实时观察心脏功能和相关血液流量提供了低成本且无辐射的重要工具。

    Oct, 2023