利用时空光流网络进行无监督的4D心脏运动追踪
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
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
本文介绍了一种新型深度学习方法Motion Pyramid Networks来进行精准高效的心脏运动估计,使用金字塔形的多尺度运动场来增强更细致的运动场,通过循环的师生知识蒸馏方式来提高跟踪性能,并提出新的评价指标,其在公开数据集上有明显优于强基线模型的表现。
Jun, 2020
本文提出了一种基于深度学习的全自动运动跟踪方法,可以对心脏标记核磁共振成像(t-MRI)图像中的运动进行跟踪,并且在动态医学成像方面提供了有用的解决方案。实验证明,与传统运动跟踪方法相比,这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。
Mar, 2021
通过利用深度学习和变形图像配准技术,本研究描述了一种基于心脏通过1D运动描述符表示动态过程的方法,并定义了一组规则以确定五个心血管相位,从而实现对心脏功能的评估。
Sep, 2022
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
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
本文引入了EchoTracker,一种基于学习的点追踪技术,在超声图像序列中实现对组织表面上查询点的追踪,该技术能够提高超声心动图中的定位和测量精度,为临床诊断和预后评估提供更高的价值。
May, 2024
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。
Jul, 2024
本研究针对心脏超声视频生成中的数据不足问题,提出了一种可解释且可控的方法,利用初始帧和运动曲线引导视频生成。通过提取心脏子结构的运动信息,构建运动曲线,并引入结构到运动的对齐模块和位置感知注意机制,该方法在视频生成的一致性和真实性上优于其他方法,具有重要的临床应用潜力。
Jul, 2024