基于一致性预测的可靠多视图学习在超声心动图中的主动脉狭窄分类

Sep, 2024

基于一致性预测的可靠多视图学习在超声心动图中的主动脉狭窄分类

Reliable Multi-View Learning with Conformal Prediction for Aortic Stenosis Classification in Echocardiography

Ang Nan Gu, Michael Tsang, Hooman Vaseli, Teresa Tsang, Purang Abolmaesumi

TL;DR本研究解决了超声引导诊断中，由于图像为3D解剖结构的2D切片，导致重要解剖细节缺失的问题。论文提出了一种名为RT4U的数据中心方法，通过引入不确定性来改进主动脉狭窄分类的准确性，结合一致性预测技术，该方法可生成适应性大小的预测集，显示出在三个不同数据集上的有效性提升。

Abstract

The fundamental problem with ultrasound-guided diagnosis is that the acquired images are often 2-D cross-sections of a 3-D anatomy, potentially missing important anatomical details. This limitation leads to challenges in ultrasound Echocardiography, such as poor visualization of heart

发现论文，激发创造

基于监督注意力多示例学习从多视角超声图像中检测心脏疾病

为了自动化筛查主动脉瓣狭窄，我们提出了一种新的端到端的多实例学习方法，引入了监督式注意技术和一种新的自我监督预训练策略。实验表明，与以前的方法相比，我们的方法在提高准确率的同时可以减小模型尺寸。

May, 2023

ProtoASNet: 动态原型在超声心动图中对无需解释和具有不确定性感知的主动脉瓣狭窄分类中的应用

通过基于B模式超声心动图视频的相似性和学习的时空原型之间的关联性，ProtoASNet 直接检测主动脉瓣狭窄并提供解释，同时利用弃权损失评估不确定性，使其成为一种可靠的系统，能够提供解释哪些情况下可能失败，并为每个预测提供可解释性和不确定性度量。

Jul, 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

超声置信图能否预测超声医师标注的变异性？

通过引入超声波图像不确定性，并将其作为额外信息提供给神经网络，本研究改善了深度学习的超声波断层分割解决方案，提高了Dice分数，改善了Hausdorff和平均表面距离，并减少了孤立像素预测的数量。

Aug, 2023

GEMTrans: 基于心脏超声诊断的通用、多级Transformer框架

Echocardiography的机器学习方法，具备解释性且适用于多视频训练，实现了心脏疾病的诊断和解释，尤其在主动脉瓣狭窄的检测中具备高准确性。

Aug, 2023

提高心脏磁共振图像分类深度学习模型校准的不确定性感知训练

在临床决策支持环境中，为了开发更加可靠的人工智能（AI）模型，量化预测的不确定性被视为一种方法，使模型超越传统的性能指标报告。本研究评估了三种新颖的不确定性感知训练策略，并与两种先进方法进行比较，分析了在心脏再同步治疗反应预测和冠状动脉疾病诊断等临床应用中的性能。在考虑了多个校准测量指标后，得出了需要在医疗保健的复杂高风险应用中进行仔细考虑性能指标的结论。

Aug, 2023

基于图卷积神经网络的自动超声心动图视角识别：一种整体方法

使用图卷积技术学习三维心脏网格，通过生成合成超声图像并进行实验验证，展示了图对于改善心脏视图识别的潜力，并最终提高心脏诊断效率。

Feb, 2024

拥抱不确定性灵活性：利用监督树核强化集成建模以预测基于二维超声心动图的右心室容量

提出了一种使用不确定性评分来量化二维超声心动图中右心室体积的集成回归方法，通过学习树结构来识别目标实例的最近训练样本，并使用多种分布类型更灵活地建模输出，该方法在小规模数据集上得到验证，表明其相对于其他最先进的方法具有更好的概率和点预测性能，体现了可靠的人工智能，可用于增强决策过程并降低风险，并可利用框架的特征重要性分数减少所需的二维超声心动图视图数量，从而增强了该管道的临床应用。

Mar, 2024

半监督多模态多实例学习用于主动脉瓣狭窄诊断

自动解释心脏的超声心动图可以改善对主动脉狭窄（AS）这种致命心脏疾病的检测和治疗。为了克服现有方法的局限性，本文介绍了一种新的深度学习框架，即半监督多模式多实例学习（SMMIL），用于自动解释AS等结构性心脏疾病。该方法在数据集上的实验证明，在AS严重程度分类以及几项临床相关AS检测任务方面，SMMIL表现出优于最近的替代方法。

Mar, 2024

多站点分类增量学习在超声心动图中的加权专家研究

本研究解决了超声心动图视图分类中因数据不同步导致的模型漂移问题，提出了一种新的分类增量学习方法。通过为每个数据集学习专家网络并采用得分融合模型，显著提高了视图分类性能并减少了训练时间，具有良好的透明性和适应性。

Jul, 2024