May, 2024

自我监督少样本学习的连续最大流增强在 SPECT 左心室中的应用

PDF
TL;DR提供了一种方法来自动分割心肌，并在小型和低质量标签的重新重建 SPECT 恢复的视野体积上使用连续最大流算法和先验形状信息来增强 3D U-Net 自监督学习方法，实验结果显示，在高噪声 SPECT 心脏数据集上，基于先前的最先进解决方案，定量指标有了 5-10% 的增长，为解决少样本自监督学习问题提供了可行的方法。
single-photon emission computed tomographyleft ventricular assessmentmyocardial functionsegmentationspect cardiac datasets
发现论文，激发创造
  • 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

  • 基于点云的心脏 SPECT MPI 和 CTA 之间的配准与图像融合

    提出了一种基于点云的注册和图像融合方法，用于心脏单光子发射计算机断层扫描心肌灌注图像和心脏计算机断层扫描血管造影图像间的配准与融合。

    Feb, 2024

  • 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

  • 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

  • 一种利用机器学习和不确定性量化建模 CRT 的多阶段决策过程的新方法

    创建了一个多阶段的机器学习模型，利用不确定性量化预测心力衰竭患者的心脏再同步治疗反应，通过使用规则逻辑减少了对额外单光子发射计算机断层扫描心肌灌注显像数据获取的需求，而不牺牲性能。

    Sep, 2023

  • 机器学习基于分割的不确定性量化：MRI 左室体积估计的事后方法

    该研究提出一种新的方法，使用 Ito 随机微分方程（SDEs）对左室体积预测进行后期不确定性估计，以提高自动分割的鲁棒性和可靠性，为临床设置中更可靠准确的左室体积估计打开新的方向。

    Oct, 2023

  • 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

  • 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

  • 用于心脏 SPECT 图像的双域粗到细的逐步估计网络，用于同时去噪，有限视角重建和衰减校正

    我们提出了一种用于同时进行低剂量去噪、有限视图重建和无 CT 的心脏 SPECT 的 μ 图生成的多任务学习方法 DuDoCFNet，通过联级式融合机制实现跨域和交叉模态特征融合，应用两阶段渐进学习策略来获得 SPECT 投影和 CT 导出的 μ 图的粗到细估计。我们的实验结果表明，在各种迭代和低剂量水平下，DuDoCFNet 在估计投影、生成 μ 图和 AC 重建方面的准确性优于现有的单一或多任务学习方法。

    Jan, 2024