Jul, 2024

CardioSpectrum：3D 深度学习与几何洞察的全面心肌运动分析

PDF
TL;DR利用三维光流技术和函数图（FMs），我们提出了一种全面的方法来解决传统神经网络难以预测微小切向运动的问题，从而显著提高心肌三维地图的准确性，该方法可用于改善心血管诊断。
left ventriclecomputed tomography angiographymyocardial motion3d mappingcardiovascular diagnosis
发现论文，激发创造
  • DeepMesh: 基于深度学习的基于网格的心脏运动跟踪

    基于心脏磁共振图像的 3D 运动估计对于评估心脏功能和诊断心血管疾病至关重要。本文提出了一种基于 DeepMesh 的学习框架，旨在从 CMR 图像中将心脏网格传播到个体空间，并估计个体的心脏网格的 3D 运动。该方法通过开发一种可微分的网格到图像光栅化器，能够利用来自多个解剖视图的 2D 形状信息进行 3D 网格重建和网格运动估计。实验结果表明，该方法在定量和定性上优于其他基于图像和基于网格的心脏运动跟踪方法，特别针对左心室的 3D 运动估计。

    Sep, 2023

  • 一次性追踪心脏中的任何东西

    该研究提出了一种名为神经心脏运动场 (NeuralCMF) 的新方法，它通过内隐神经表示 (INR) 模拟心脏的三维结构和全面的六维前后运动，有效解决了目前心肌运动追踪方法在空间和时间维度上不准确的问题，具有在 2D 和 3D 超声心动图视频输入中应用的优势。

    Oct, 2023

  • 基于解耦动态与形状模型的四维心肌重建

    提出了一种利用 4D 重建方法进行心肌形态和运动状态估计的方法，通过解耦动作和形状，预测限制切片获得的稀疏点云序列的内部 / 间接形状和运动估计。

    Aug, 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

  • 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

  • 用于 3D 心肌变形分析的合成数据生成

    提出了一种合成数据生成方法，用于丰富心血管影像数据集，包括关键的地面真实光流注释，以克服高分辨率 CT 数据集稀缺性带来的限制，从而促进精确可靠的心肌变形分析算法在临床应用和诊断中的发展。

    Jun, 2024

  • 数字孪生心脏分析中心肌速度图的混合深度学习合成

    研究提出了一个用于模拟合成心肌速度映像（3Dir MVM）数据的混合深度学习网络，从而可以通过克服解剖和生物化学现象建模的复杂性，生成更加真实的医学信号，此算法可以用于现实的医学研究中。

    Mar, 2022

  • 深度学习用于自动筛查心律失常引起的右心室心肌病的应变量化

    自动识别心脏 MR 图像中的位移异常，通过注册、形变分析和应力分析等方法进行心脏运动的量化，并在心脏病诊断中发现具有潜在价值的心脏位移变化。

    Nov, 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

  • 利用时空光流网络进行无监督的 4D 心脏运动追踪

    本研究通过使用无监督的光流网络，结合空间重建损失和时间一致性损失的方法，有效地估计和跟踪心脏运动，为 4D 心脏运动跟踪提供了一种新的方法。

    Jul, 2024