Jul, 2024

可解释和可控的运动曲线引导心脏超声视频生成

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 基于神经ODE的同胚配准场心脏超声图像分割

    该研究使用神经常微分方程(Echo-ODE)方法对超声心动图像进行分割以进行图像配准，通过解决连续ODE实现更平滑的分割，并在整个序列中保留分割地图的拓扑结构，同时保持与时间的一致性，其平均绝对误差为2.7-3.1。

    Jun, 2023

  • OnUVS：在线特征解耦高保真超声视频合成框架

    通过在线特征解耦框架OnUVS，我们成功合成了具有高保真度的超声视频，通过将解剖学信息引入关键点学习、实现内容和纹理特征解耦、采用多特征鉴别器提取全面的视觉提示以及限制关键点的运动轨迹，从而提升了合成视频的流畅性。

    Aug, 2023

  • 通过扩散模型从舒张末期语义图合成超声心动图像

    通过扩展现有的视频扩散模型，基于语义解剖信息生成超声心动图视频的研究，在改进合成过程中整合空间调整归一化，以提高生成视频的逼真性和连贯性，并在CAMUS数据集上展示了优于标准扩散技术的性能。

    Oct, 2023

  • 探索超参数空间中的图像扩散模型用于超声心动图生成

    本研究通过对超参数进行广泛搜索，对超声心动图生成中的图像扩散模型进行了深入研究，旨在为超声影像和视频生成领域建立基准，并提供指南。通过采用先进的模型架构和训练方法，研究分析了真实样本和生成样本之间的分布差异，并提出了解决方案，对于在生成数据上训练高效模型至关重要。通过研究，确定了我们研究问题的最佳FID得分为0.88，并获得了2.60的FID。本研究旨在为超声影像和视频生成领域提供有价值的见解，并作为进一步发展的参考。

    Nov, 2023

  • 自主超声导航的心脏超声模拟

    通过模拟管道生成大量的超声图像，以供导航相关的网络训练使用，从而实现快速准确的患者特异性超声图像生成并展示该方法在网络导航相关任务中的可用性。

    Feb, 2024

  • EchoTracker: 提升心肌点追踪在超声心动图中的应用

    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

  • HeartBeat: 智能多模态条件导向扩散模型下的可控心脏超声视频合成

    该研究提出了一种名为HeartBeat的基于扩散的框架，用于可控和高保真度的ECHO（超声心动图）视频合成，通过同时感知多模态条件，将这些条件分解为局部和全局条件，并使用两阶段训练方案解耦视觉概念和时间动态学习，以简化模型训练，该框架可扩展到其他广泛应用，如基于遮罩引导的心脏MRI合成。在两个公共数据集上进行的广泛实验证明了HeartBeat的有效性。

    Jun, 2024

  • 基于结构感知的探测引导世界模型的大规模自监督预训练

    本文提出了一种大规模自学习预训练方法，用于获取具有心脏结构意识的世界模型，并通过标准视图上的下游探测任务验证了其效果。

    Jun, 2024

  • 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

  • 基于序列的心脏超声探头指导预训练

    本研究针对心脏超声探头指导中存在的个体差异和复杂结构问题，提出了一种基于序列的自监督预训练方法，通过预测扫描序列中的缺失图像和动作来学习个性化的心脏结构特征。实验结果表明，该方法能显著降低导航误差，具有重要的临床应用潜力。

    Aug, 2024