应用深度学习技术对心脏听诊进行自动化分类,结合卷积神经网络和时间频率热图表示,通过改进的损失函数,在2016年PhysioNet Computing in Cardiology 挑战中取得了最佳结果。
Jul, 2017
本文提出了一种新的方法,使用深度神经网络并行结合循环神经网络(RNN)和卷积神经网络(CNN)学习心音PCG波形中的杂音的视觉和时间相关特征,并通过一系列声学特征鉴别正常和杂音类别。该方法经过5折交叉验证在大型数据集上进行评估,结果显示出96%的敏感性和100%的特异性,以及98%的F1得分。
Aug, 2018
Heartfit采用自我诊断方法,利用深度学习对用户心声的分类和诊断,既准确又经济适用,适用于缺乏医疗设施的地区。
Jul, 2019
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
该研究介绍了尝试通过使用大量记录的心音监测数据,利用双重贝叶斯ResNet(DBRes)模型进行自动检测心脏杂音和其他听诊器所需的特定未知指标的方法。
本研究采用小波变换领域中的自相似性和复杂性特征,开发了用于检测心脏杂音的鉴别性多尺度特征,不仅显着提高了检测杂音的准确性,而且为心脏杂音的识别和管理提供了有价值的洞见。
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
发展了一种基于远程患者监测的穿戴式单导联心电图(ECG)设备的视觉变换方法,可以识别房颤并鉴别正常窦律和窦性心动过缓。
Feb, 2024
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。
该论文提出了一种快速、经济高效的方法,利用低成本系统在临床中对心脏异常进行准确可靠的诊断。通过引入人类听觉处理的启示,设计了唯一的多分支深度卷积神经网络(MBDCN)架构以优化特征提取,并结合长短期记忆卷积神经网络(LSCN)模型改进时间域特征提取,在心音信号处理任务中取得了优越的结果。该方法对于心音的整体分类准确率在96%以上,相较于Mel频率倒谱系数(MFCC)和小波变换等常见特征提取方法,该网络具有显著的效率提升。因此,该方法在心音的自动分析上显示出有希望的结果,并具有心血管疾病的诊断和早期检测的潜在应用。
Jul, 2024