May, 2024

基于半监督学习的心脏磁共振图像自动诊断

PDF
TL;DR该研究论文介绍了一种用于心脏图像的自动分割和辅助诊断的半监督模型，通过利用心脏 MRI 图像和仅需少量标注图像数据，实现了对心脏图像的全自动、高精度分割，特征提取，临床指数计算和疾病预测，并展示该模型在分割和预测中的高准确性，具备实际指导和应用价值。
cardiac magnetic resonance imagingsegmentationauxiliary diagnosisclinical indicesprediction
发现论文，激发创造
  • 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

  • 基于解剖位置预测的自监督学习用于心脏 MR 图像分割

    本文提出了一种基于自监督学习的心脏磁共振图像分割方法，通过预测解剖位置作为监督信号来学习特征，避免了手动标注数据的高成本问题，同时获得了比从零开始训练的 U-net 更好或可比的分割准确度。

    Jul, 2019

  • 心脏成像中自动检测二尖瓣反流的机器学习方法

    使用新的半监督模型 CUSSP 基于心脏图像切片提出了一种自动诊断心脏瓣膜疾病的方法，通过大量未标记数据学习并结合专门的分类器，取得了当前任务的首个基准结果。

    Oct, 2023

  • 向机器监督的转变：高效注释的自监督学习用于自动医学图像分割和分类

    自我监督学习和半监督学习在医学影像领域的新进展，通过 S4MI（自我监督和半监督医学影像）管道，使用 10% 标签注释的自我监督学习在大多数数据集的分类任务上表现优于 100% 标签注释，而使用 50% 标签数较少的半监督方法在三个数据集的分割任务上表现更好。

    Nov, 2023

  • 深度学习在计算机断层摄影和磁共振成像分割中的自动化应用：初学者指南

    本教程论文旨在从基础概念、深度学习算法、工具和框架，方法开发和图像分析等方面，为医学影像处理与分析领域的新手提供基础概述，并使用公共数据提供样例任务，并针对方法开发和图像分析提供了最佳实践建议，旨在助力研究者克服初学阶段的挑战。

    Apr, 2023

  • 利用半监督学习表观流动对 Cine MRI 中的可解释性心脏病理分类进行运动特征化

    提出一种基于图像特征的心脏病理分类方法，其中使用半监督学习程序来提取心脏运动的形状和运动特征，生成心肌和心腔的时间序列运动特征，并结合形状特征进行分类，取得了高检测准确率。

    Nov, 2018

  • 通过心脏核磁共振的知识转移解锁心电图的诊断潜力

    提出了自监督的对比学习方法，实现了从心电图数据中进行心脏筛查和疾病诊断。

    Aug, 2023

  • 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

  • 心血管磁共振成像的多模态表征学习

    提出了 CMRformer 作为临床心磁共振图像和心脏病学家报告的联合学习框架可用于改善医疗保健中标签缺失和视觉上难以解释的复杂成像疾病领域的实效性，同时提供一个庞大的 CMR 数据集可用于治疗和诊断的进一步研究。

    Apr, 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