May, 2024

急性心肌梗死 MRI 心肌分割和 T2 定量的同时深度学习

PDF
TL;DR在心脏磁共振成像（MRI）分析中，提出了一种名为 SQNet 的双任务网络，集成了 Transformer 和卷积神经网络（CNN），能够同时完成心肌分割和 T2 定量分析，提高了诊断准确性。
cardiac magnetic resonance imagingmyocardial segmentationt2 quantificationsqnettransformer
发现论文，激发创造
  • 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

  • 级联卷积神经网络用于延迟增强心脏磁共振图像的自动心肌梗死分割

    本文提出了使用级联卷积神经网络从心脏 MRI 图像中，自动分割心肌梗死相关区域的方法，并在 MICCAI 2020 EMIDEC 数据集上，取得优异的分割表现。

    Dec, 2020

  • 基于任务变换网络的 MRI 恢复与超分辨率联合重建

    本文提出了一种基于 T$^2$Net 的 MRI 重建和超分辨率的多任务联合学习框架，将重建和超分辨率分成两个子分支，通过任务转换器实现了两个任务的共享特征学习，实验结果表明该模型在定量和定性方面都显著优于先进的序列方法。

    Jun, 2021

  • 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

  • 基于 ADMM 的深度心脏 MRI 重建

    心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

    Oct, 2023

  • 心脏 MR 图像序列的动态估计与分割联合学习

    本文提出了一种基于深度学习的心脏 MR 图像序列的联合运动估计和分割方法，该方法包括一个基于无监督 Siamese 风格循环空间变换网络的运动估计分支和一个基于全卷积网络的心脏分割分支。实验结果表明，联合学习两个任务是互补的，并且所提出的模型在准确性和速度方面明显优于竞争方法。

    Jun, 2018

  • 基于 2D-3D 级联网络的晚期钆增强心脏磁共振图像中的心肌梗死疤痕分割纠错

    本文提出了一个级联的卷积神经网络框架，使得能够自动化地计算心肌梗死的程度，并且在训练中通过人工生成特征，使模型可以检测和修正 2D 分割错误，并在 EMIDEC 挑战中超越了现有方法以及 2D 和 3D nnU-Net，并且通过大量实验显示出所提出的误差校正级联方法所具有的优点。

    Jun, 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

  • 提高心脏 MRI 深度学习分割方法的可信度

    本文提出了一种自动图像分割方法，基于 (Bayesian) 扩张卷积神经网络 (DCNN)，用于自动生成手头输入图像的分割掩模和空间不确定性地图，并利用人机交互设置结合分割和不确定性图来提高分割性能。该方法使用 ACDC 的 100 个心脏 2D MR 扫描中的左室腔、右室内膜和心肌 ED 和 ES 进行训练和评估，结果表明，可以使用 DCNN 获得低计算成本的有价值的空间不确定性图。

    Sep, 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