A Distance Map Regularized CNN for Cardiac Cine MR Image Segmentation
Rochester Institute of Technology（罗切斯特理工学院）；National Institute of Allergy and Infectious Diseases（国家过敏和传染病研究所）；MSC LLC.（MSC有限责任公司）
心脏图像分割是生成个性化心脏模型和量化心脏性能参数的关键过程。已经提出了几种卷积神经网络（CNN）架构来从心脏电影MR图像中分割心脏腔室。在这里，我们提出了一个多任务学习（MTL）为基础的正则化框架的心脏MR图像分割。该网络被训练来执行语义分割的主要任务，以及像素距离图回归的同步辅助任务。提出的距离图正则化器是添加到现有CNN架构瓶颈层的解码器网络，有助于网络学习鲁棒的全局特征。在训练后移除正则化块，使得网络参数的原始数量不改变。我们表明，所提出的正则化方法提高了相应的国家的最先进的CNN架构上的两个公开的心脏电影MRI数据集的二进制和多类分割性能，获得平均骰子系数为0.84 $\pm$ 0.03和0.91 $\pm$ 0.04，分别。此外，我们还证明了距离图正则化网络在交叉数据集分割上的泛化性能得到了改善，心肌Dice系数从0.56 $\pm$ 0.28提高到0.80 $\pm$ 0.14，提高了42%。
2019-04-18 cs.CV
L-CO-Net: Learned Condensation-Optimization Network for Clinical Parameter Estimation from Cardiac Cine MRI
Rochester Institute of Technology（罗切斯特理工学院）
在这项工作中，我们实现了一个完全卷积的分割器，它具有学习的组结构和正则化的权重修剪器，以降低体积图像分割中的高计算成本。我们在ACDC数据集上验证了我们的框架，该数据集具有在整个心动周期成像的一个健康组和四个病理组。我们的技术实现了96.8%（LV血池），93.3%（RV血池）和90.0%（LV肌萎缩）的Dice评分，具有五重交叉验证，并产生了与地面实况分割数据估计的临床参数相似的临床参数。基于这些结果，该技术有可能成为一种高效和有竞争力的心脏图像分割工具，可用于心脏计算机辅助诊断，规划和指导应用。
2020-04-21 cs.CV eess.IV
An Exploration of 2D and 3D Deep Learning Techniques for Cardiac MR Image Segmentation
ETH Zurich（苏黎世联邦理工学院）
心脏的精确分割是评估心脏功能的重要步骤。在本文中，我们提出了一个完全自动化的框架分割的左（LV）和右（RV）心室腔和心肌（Myo）的短轴心脏MR图像。我们研究了各种2D和3D卷积神经网络架构。我们研究了各种最先进的2D和3D卷积神经网络架构的适用性，以及对该任务的轻微修改。在ACDC 2017挑战训练数据集上进行了实验，该数据集包括100名患者的心脏MR图像，其中手动参考分割可用于舒张末期（ED）和收缩末期（ES）帧。我们发现，由于切片厚度相对较大，使用2D网络以逐切片方式处理图像是有益的。然而，确切的网络架构只起次要作用。我们分别报告$0.950$（LV）、$0.893$（RV）和$0.899$（Myo）的平均Dice系数，在现代GPU上每卷的平均评估时间为1.1秒。
2017-10-10 cs.CV
Fully Convolutional Multi-scale Residual DenseNets for Cardiac Segmentation and Automated Cardiac Diagnosis using Ensemble of Classifiers
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
基于深度全卷积神经网络（FCN）的体系结构在医学图像分割中显示出巨大的潜力。然而，这样的架构通常具有数百万个参数和不足的训练样本数量，导致过拟合和泛化能力差。在本文中，我们提出了一种新的高参数和内存效率的FCN为基础的架构，用于医学图像分析。我们提出了一种新的上采样路径，它结合了长跳跃和捷径连接，以克服FCN等架构中的特征图爆炸。为了同时处理多尺度和多视点的输入图像，我们建议结合Inception模块的并行结构。我们还提出了一种新的双重损失函数，其加权方案允许结合交叉熵和骰子损失的优点。我们已经在两个公开的数据集上验证了我们提出的网络架构，即：（i）自动心脏病诊断挑战（ACDC-2017），（ii）左心室分割挑战（LV-2011）。我们的方法在ACDC-2017挑战赛中获得了分割的第二名和自动心脏病诊断任务的第一名，准确率为100%。在LV-2011挑战中，我们的方法达到了0.74 Jaccard指数，这是迄今为止全自动算法中最高的结果。从分割，我们提取临床相关的心脏参数和手工制作的功能，反映了临床诊断分析，训练一个集成系统的心脏疾病分类。我们的方法将心脏分割和疾病诊断结合到一个完全自动化的框架中，该框架具有计算效率，因此有可能被纳入计算机辅助诊断（CAD）工具中用于临床应用。
2018-01-16 cs.CV
4D CNN for semantic segmentation of cardiac volumetric sequences
NVIDIA（英伟达）；MGH and BWH Center for Clinical Data Science（麻省总医院与布列根和妇女医院临床数据科学中心）
我们提出了一个4D卷积神经网络（CNN）的分割回顾性心电门控心脏CT，一系列的单通道体积数据随时间的推移。虽然时间序列中只有一小部分体积被注释，但我们在可用标签上定义了一个稀疏损失函数，以允许网络在训练期间利用未标记的图像并生成完全分割的序列。我们研究了所提出的4D网络预测时间一致的分割的准确性，并与传统的3D分割方法进行比较。我们证明了4D CNN的可行性，并建立其性能的心脏4D CCTA。
2019-10-10 cs.CV eess.IV
Crop and Couple: cardiac image segmentation using interlinked specialist networks
Queen Mary University of London（伦敦玛丽女王大学）；Queen Mary's Digital Environment Research Institute (DERI)（伦敦玛丽女王大学数字环境研究所）；University College London（伦敦大学学院）
提出一种利用专注单一解剖结构的互连专家网络进行心脏图像分割的新策略，通过三元分割裁剪图像并使用加法交叉注意力块耦合特征作为软形状先验。
2024-02-14 cs.CV eess.IV
MCSeg: Pre-training and Fine-tuning Volumetric Pyramid Transformer for Multi-modal Cardiac Image Segmentation
Shenzhen Institute of Advanced Technology（深圳先进技术研究院）；Pengcheng Laboratory（鹏城实验室）；University of Chinese Academy of Sciences（中国科学院大学）
本研究提出MCSeg网络，通过新型SFP连接ViT编码器与CNN解码器，结合自监督预训练与RMI损失，在多模态心脏图像分割任务中优于11种SOTA方法，小样本场景也表现出色
2026-09-14 cs.CV
Studying Robustness of Semantic Segmentation under Domain Shift in cardiac MRI
German Cancer Research Center (DKFZ)（德国癌症研究中心（DKFZ））；Medical Faculty Heidelberg, Heidelberg University（海德堡大学海德堡医学院）
心脏磁共振成像（cMRI）是许多心脏相关疾病诊断的重要组成部分。最近，深度神经网络已经证明了成功的自动分割，从而减轻了耗时的心脏结构手动轮廓的负担。此外，像nnU-Net这样的框架为看不见的数据集提供了完全自动的模型配置，即使是非专家也可以实现开箱即用的应用程序。然而，目前的研究通常忽略了临床现实的情况下，其中一个训练有素的网络被应用到来自不同领域的数据，如偏离扫描仪或成像协议。这可能会导致深度学习模型在现实应用中的意外性能下降。在这项工作中，我们系统地研究了来自多个临床中心和扫描仪供应商的图像之间域转移的挑战和机遇。为了保持开箱即用的可用性，我们构建在由nnU-net框架配置的固定U-Net架构上，以研究各种数据增强技术和批处理规范化层，作为易于自定义的管道组件，并提供有关如何提高现有深度学习方法中的域泛化能力的一般指导方针。我们提出的方法在多中心，多供应商和多疾病心脏图像分割挑战赛（M & M）中排名第一。
2020-11-15 cs.CV eess.IV
A Comparative Analysis of U-Net-based models for Segmentation of Cardiac MRI
Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）
本文比较分析多种U-Net衍生模型在心脏短轴MRI分割中的表现，旨在提升心脏疾病诊断与治疗，通过定量指标展示模型有效性并讨论挑战与改进方向。
2024-11-07 cs.CV cs.LG eess.IV
TMS-Net: A Segmentation Network Coupled With A Run-time Quality Control Method For Robust Cardiac Image Segmentation
Bursa Technical University（布尔萨技术大学）；Imperial College London（伦敦帝国学院）
最近，深度网络在心脏磁共振成像（MRI）图像分割方面表现出令人印象深刻的性能。然而，由于稳健性问题导致临床医生对其结果的信任度较低，因此它们的成就在医疗诊所中的广泛使用过渡缓慢。预测分割掩模的运行时质量对于警告临床医生不良结果可能是有用的。尽管它的重要性，有很少的研究在这个问题上。为了解决这个问题，我们提出了一种质量控制方法的基础上的协议，跨解码器的多视图网络，TMS-Net，测量余弦相似性。该网络采用三个视图输入，这些视图输入是从同一个3D图像沿不同轴重新切片的。与以前的多视图网络不同，TMS-Net有一个编码器和三个解码器，在我们对STACOM 2013和STACOM 2018挑战数据集上左心房分割的实验中，具有更好的噪声鲁棒性，分割性能和运行时质量估计。我们还提出了一种方法，通过使用由工程噪声和Rician噪声生成的噪声图像来模拟训练不足，高各向异性和成像设置差的问题，来生成差的分割掩模。我们的运行时质量估计方法在STACOM 2018上显示出对质量差和质量好的分割掩码的良好分类，AUC达到0.97。我们相信，TMS-Net和我们的运行时质量估计方法具有很高的潜力，以增加临床医生的推力自动图像分析工具。
2022-12-21 cs.CV eess.IV
Domain-Adversarial Learning for Multi-Centre, Multi-Vendor, and Multi-Disease Cardiac MR Image Segmentation
King's College London（伦敦国王学院）；Eindhoven University of Technology（埃因霍温理工大学）
电影心脏磁共振（CMR）已成为无创评价心脏功能的金标准。特别是，它允许准确量化功能参数，包括腔室容积和射血分数。深度学习已经显示出自动化必要的心脏结构分割的潜力。然而，深度学习模型缺乏鲁棒性阻碍了它们在临床上的广泛应用。由于数据特征的差异，在来自特定扫描仪的数据上训练的神经网络不能保证很好地推广到在不同中心或使用不同扫描仪获取的数据。在这项工作中，我们提出了一个原则性的解决方案，这个域转移的问题。使用领域对抗学习来训练使用标记和未标记数据的领域不变的2D U-网。这种方法在来自M\&MS挑战数据集的可见和不可见域上进行了评估，与标准训练相比，域对抗方法显示出更好的性能。此外，我们表明，域信息不能从学习的功能恢复。
2020-08-26 cs.CV eess.IV
Learning Shape Priors for Robust Cardiac MR Segmentation from Multi-view Images
Imperial College London（帝国理工学院）；Queen Mary University of London（伦敦玛丽女王大学）
心脏MR图像分割是心脏形态学和功能分析的基础。受经验丰富的临床医生如何在多个标准视图（即长轴和短轴视图）中评估心脏形态和功能的启发，我们提出了一种新的方法，该方法可以在不同的2D标准视图中学习解剖形状先验，并利用这些先验从短轴MR图像堆栈中分割左心室（LV）心肌。所提出的分割方法具有作为2D网络的优点，但同时结合了来自跨越3D空间的多个互补视图的空间上下文。我们的方法在不同的短轴切片（从顶点到底部）上实现了心肌的准确和鲁棒分割，优于基线模型（例如2D U-Net，3D U-Net），同时实现了更高的数据效率。与2D U-Net相比，当仅使用10%的训练数据时，所提出的方法将测试集上的顶端切片上的平均Hausdorff距离（mm）从3.24减小到2.49，中间切片上的平均Hausdorff距离从2.34减小到2.09，基底切片上的平均Hausdorff距离从3.62减小到2.76。
2019-12-17 cs.CV cs.LG eess.IV
Style-invariant Cardiac Image Segmentation with Test-time Augmentation
Shenzhen University（深圳大学）
由于真实临床环境中的外观变化，深度模型通常会遭受严重的性能下降。大多数现有的基于学习的方法依赖于来自多个网站/供应商甚至相应标签的图像。然而，收集足够的未知数据，鲁棒的模型分割并不总是成立，因为在日常应用中的成像因素引起的复杂的外观变化。在本文中，我们提出了一种新的风格不变的心脏图像分割方法。基于zero-shot风格转移，以消除外观移位和测试时增强，以探索不同的底层解剖，我们提出的方法是有效的，在打击外观移位。我们的贡献是三方面的。首先，受通用风格转换的启发，我们对内容图像进行了zero-shot风格化处理，生成与风格图像外观相似的风格化图像。其次，我们建立了一个强大的心脏分割模型的基础上的U-Net结构。我们的框架在测试过程中主要由两个网络组成：用于消除外观偏移的ST网络和分割网络。第三，我们研究测试时增强，以探索风格化图像的转换版本进行预测，并将结果合并。值得注意的是，我们提出的框架是完全测试时适应。实验结果表明，我们的方法是有前途的和通用的推广深度分割模型。
2020-09-24 cs.CV cs.LG eess.IV
Multi-task Swin Transformer for Motion Artifacts Classification and Cardiac Magnetic Resonance Image Segmentation
Sano Centre for Computational Medicine（萨诺计算医学中心）；Informatics Institute, University of Amsterdam（阿姆斯特丹大学信息学研究所）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
心脏磁共振成像通常用于评估心脏解剖结构和功能。左、右心室血池及左心室心肌的描绘对心脏疾病的诊断具有重要意义。不幸的是，在CMR采集过程期间患者的移动可能导致在最终图像中出现运动伪影。这种伪影降低了CMR图像的诊断质量，并迫使重做该过程。在本文中，我们提出了一个多任务Swin UNEt Transformer网络，用于同时解决CMRxMotion挑战中的两个任务：CMR分割和运动伪影分类。我们利用分割和分类作为多任务学习方法，使我们能够确定CMR的诊断质量并同时生成掩模。CMR图像被分为三个诊断质量类别，而所有样本与非严重的运动伪影被分割。使用5-Fold交叉验证训练的五个网络的Encerning实现了DICE系数为0.871的分割性能和0.595的分类精度。
2022-09-06 cs.AI cs.CV eess.IV
3D Consistent Biventricular Myocardial Segmentation Using Deep Learning for Mesh Generation
Université Côte d’Azur（蔚蓝海岸大学）；Inria（法国国家信息与自动化研究所）；CREATIS（里昂第一大学医疗图像与信息科学研究中心）；CNRS UMR 5220（法国国家科学研究中心联合研究单位5220）；INSERM U1206（法国国家健康与医学研究院联合研究单位1206）
我们提出了一种新的自动化方法分割心肌的左，右心室的MRI卷。分割在3D中跨切片是一致的，使得其可以直接用于网格生成。两个特定的神经网络与多尺度粗到细的预测结构，提出了以应付小的训练数据集和训练使用原始的损失函数。前者分割体积中间的切片。然后，后者以空间上一致的方式迭代地向基部和顶点传播切片分割。我们对来自STACOM的15个案例进行了5折交叉验证以验证该方法。对于训练，我们使用真实案例及其通过结合运动模拟和图像合成生成的合成变体。获得了准确、一致的测试结果。
2018-03-29 cs.AI cs.CV cs.LG
Lost in Tracking: Uncertainty-guided Cardiac Cine MRI Segmentation at Right Ventricle Base
Delft University of Technology（代尔夫特理工大学）；The Ohio State University Wexner Medical Center（俄亥俄州立大学韦克斯纳医学中心）
本文针对心脏 MRI 中右心室基底部因平面间运动导致分割困难的问题，提出结合专家重新标注 ACDC 数据集和利用运动追踪不确定性引导的双编码器 U-Net 架构，显著提升了右心室基底部分割性能与可重复性。
2024-10-17 cs.CV eess.IV
A Fully Convolutional Neural Network for Cardiac Segmentation in Short-Axis MRI
从磁共振成像数据集自动心脏分割是心脏病理的及时诊断和管理的重要步骤。我们建议通过应用深度全卷积神经网络架构来解决自动左心室和右心室分割的问题。我们的模型在单个学习阶段中从整个图像输入和地面事实进行端到端的有效训练，以在每个像素上进行推理。据我们所知，这是第一次应用完全卷积神经网络架构在心脏磁共振成像中进行逐像素标记。数值实验表明，我们的模型是鲁棒的，在一系列心脏数据集上的多个评价指标上优于以前的全自动方法。此外，我们的模型速度很快，可以利用图形处理单元等商品计算资源，实现大规模的最先进心脏分割。模型和代码可在https://github.com/vuptran/cardiac-segmentation上获得
2017-04-27 cs.CV
Automated segmentation on the entire cardiac cycle using a deep learning work-flow
King’s College London（伦敦国王学院）；WMG, University of Warwick（华威大学WMG）
从CINE MRI图像中分割左心室（LV）对于推断重要的临床参数至关重要。通常，用于自动LV分割的机器学习算法仅使用来自两个心动时相（心动间期和收缩期）的注释轮廓。在这项工作中，我们提出了一个全自动LV分割的分析工作流程，该流程从通过心动周期采集的图像中学习。工作流程由三个部分组成：首先，对于序列中的每个图像，我们执行自动定位并随后裁剪包含心脏轮廓的限界框。其次，我们使用时间全卷积神经网络（T-FCNN）识别LV轮廓，T-FCNN通过在连续帧上执行时间相干性的循环机制扩展了全卷积神经网络（FCNN）。最后，我们使用两个组件中的任何一个进一步定义了边界：具有高斯边缘势的全连接条件随机场（CRF）和语义流。我们的初步实验表明，显着提高性能，可以通过使用一个递归神经网络组件，显式学习心脏运动模式，同时执行LV分割。
2018-08-31 cs.CV cs.LG stat.ML
Recurrent Fully Convolutional Neural Networks for Multi-slice MRI Cardiac Segmentation
King's College London（伦敦国王学院）
在心脏磁共振成像中，心脏的全自动分割使得能够进行精确的结构和功能测量，例如，从左心室的短轴MR图像。在这项工作中，我们提出了一个循环的全卷积网络（RFCN），它可以从整个2D切片堆栈中学习图像表示，并能够通过内部存储单元利用切片间的空间依赖性。RFCN将解剖检测和分割结合到一个单一的架构中，该架构是端到端训练的，从而大大减少了计算时间，简化了分割管道，并有可能实现实时应用。我们使用两个数据集，包括公开的MICCAI 2009挑战数据集的RFCN的调查报告。已经在全卷积网络和深度限制玻尔兹曼机之间进行了比较，包括利用切片间空间相关性的递归版本。我们的研究表明，RFCN产生国家的最先进的结果，并可以大大提高轮廓附近的心尖的描绘。
2016-08-13 cs.CV cs.LG stat.ML
Real-time Cardiovascular MR with Spatio-temporal Artifact Suppression using Deep Learning - Proof of Concept in Congenital Heart Disease
University College London（伦敦大学学院）；Centrum Wiskunde & Informatica (CWI)（数学和计算机科学中心（CWI））；UCL Centre for Cardiovascular Imaging（伦敦大学学院心血管影像中心）；Institute of Cardiovascular Science（心血管科学研究所）
目的：心室容积实时的【形】评估需要高加速因子。残差卷积神经网络（CNN）已经显示出去除由数据欠采样引起的伪影的潜力。在这项研究中，我们研究了不同径向采样模式对CNN准确性的影响。我们还获得了先天性心脏病（CHD）患者的实际实时的【形】欠采样径向数据，并将CNN重建与压缩感知（CS）进行比较。方法：开发了一种3D（2D加时间）CNN架构，并使用2276个金标准配对3D数据集进行训练，具有14倍径向欠采样。四个抽样方案进行了测试，使用169个以前看不见的三维“合成”测试数据集。在10名新患者（122个3D数据集）中采集实际实时的【形】微小黄金角（TGA）径向SSFP数据，并使用3D CNN以及CS算法; GRASP进行重建。结果：采样模式对图像质量和心脏结构的准确可视化非常重要。对于实际实时的【形】数据，使用CNN的总体重建时间（包括创建混叠图像）比GRASP快5倍以上。此外，对于相同的原始数据，观察到CNN图像质量和双心室容积的准确性优于GRASP。结论：本文证明了在临床环境中使用3D CNN对实时的【形】径向数据进行深度去混叠的潜力。使用CNN重建的实时的【形】数据进行心室容积的临床测量与金标准心脏门控BH技术没有统计学显著差异。
2018-06-14 cs.CV cs.NE
DAM-Seg: Anatomically accurate cardiac segmentation using Dense Associative Networks
Dongguk University（东国大学）
针对现有心脏分割辅助模块复杂度高、鲁棒性不足的问题，提出基于Transformer的DAM-Seg架构，利用密集关联网络的输入无关模式加权约束解剖正确性，在两个公开数据集上全指标优于基线。
2025-02-21 cs.CV
Joint Learning of Motion Estimation and Segmentation for Cardiac MR Image Sequences
Imperial College London（帝国理工学院）；Queen Mary University of London（伦敦玛丽女王大学）；University of Oxford（牛津大学）
心脏运动估计和分割在定量评价心脏功能和心血管疾病诊断中具有重要作用。在本文中，我们提出了一种新的深度学习方法，用于心脏MR图像序列的运动和分割的联合估计。所提出的网络由两个分支组成：心脏运动估计分支，它是建立在一个新的无监督暹罗风格的递归空间Transformer网络，和心脏分割分支，是基于一个完全卷积网络。特别地，通过同时优化分割分支和运动估计分支来学习联合多尺度特征编码器。这通过利用在运动估计分支中从大量未注释的数据中无监督地学习的特征来实现弱监督分割。使用来自220名受试者的心脏MRI图像的实验结果表明，这两个任务的联合学习是互补的，所提出的模型在准确性和速度方面明显优于竞争方法。
2018-06-11 cs.CV
DeU-Net: Deformable U-Net for 3D Cardiac MRI Video Segmentation
Zhejiang University（浙江大学）；University of Notre Dame（圣母大学）
心脏磁共振成像（MRI）的自动分割有助于在临床应用中进行有效和准确的体积测量。然而，由于各向异性分辨率和模糊边界（例如，右心室内膜），现有方法遭受3D心脏MRI视频分割中的准确性和鲁棒性的降低。在本文中，我们提出了一种新的可变形的U-网络（DeU-网络），充分利用时空信息从三维心脏MRI视频，包括一个时间可变形聚合模块（TDAM）和可变形的全球位置注意力（DGPA）网络。首先，TDAM将心脏MRI视频剪辑作为输入，其中时间信息由偏移预测网络提取。然后，我们融合提取的时间信息通过时间聚合变形卷积产生融合的特征图。此外，聚合有意义的功能，我们设计了DGPA网络，采用变形注意力U网，它可以编码更广泛的多维上下文信息到全球和本地的功能。实验结果表明，我们的DeU-Net实现了最先进的性能上常用的评价指标，特别是心脏边缘信息（ASSD和HD）。
2020-07-13 cs.CV eess.IV
Automatic Myocardial Segmentation by Using A Deep Learning Network in Cardiac MRI
CONICET - FCEN, Universidad Nacional de Cuyo（阿根廷国家科学与技术研究理事会 - 库约国立大学自然科学学院）；Centro Integral de Medicina Nuclear y Radioterapia Bariloche（巴里洛切核医学与放射治疗综合中心）
心脏功能对于不同病理（如二尖瓣返流、缺血、不同步和心肌炎）的预后和治疗至关重要。心脏行为由结构和功能特征决定。在这两种情况下，医学成像研究的分析需要检测和分割心肌。目前，磁共振成像（MRI）是心脏结构和功能最相关和最准确的非侵入性诊断工具之一。在这项工作中，我们建议使用深度学习技术来辅助心脏MRI中心肌分割的自动化。我们提出了几个改进，在本文中以前的工作：我们提出使用Jaccard距离作为优化目标函数，我们集成了剩余学习策略的代码，我们引入了一个批量归一化层训练的全卷积神经网络。我们的研究结果表明，这种架构优于以前的方法基于类似的网络架构，并提供了一个合适的方法心肌分割。我们的基准测试表明，自动心肌分割所需的时间小于22 seg。对于3.1 GHz Intel Core i7中128 x 128 x 13像素的体积。
2017-08-24 cs.CV
CardioMorphNet: Cardiac Motion Prediction Using a Shape-Guided Bayesian Recurrent Deep Network
University of California, San Diego（加州大学圣地亚哥分校）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
提出CardioMorphNet，一种基于循环变分自编码器和贝叶斯公式的3D心脏形状引导可变形配准框架，通过递归配准分割图避免强度相似性损失，在心脏运动估计中优于现有方法，并具有更低的不确定性。
2026-06-08 cs.CV
Left Ventricle Segmentation via Optical-Flow-Net from Short-axis Cine MRI: Preserving the Temporal Coherence of Cardiac Motion
Fudan University（复旦大学）；Leiden University Medical Center（莱顿大学医学中心）
电影MRI定量评价左心室功能对心血管疾病的诊断和预后有重要价值。左心室的时间运动提供了心脏收缩/舒张模式的重要信息，这是临床专家在临床实践中敏锐地评估的。受专业的电影MRI观察方式的启发，我们提出了一个新的CNN模块，能够将时间信息纳入电影MRI的LV分割。在所提出的CNN中，相邻帧之间的光流（OF）在特征级被整合和聚合，使得在分割期间可以考虑心脏运动中的时间相干性。建议的模块被集成到U-net架构，而不需要额外的培训。此外，扩张卷积的引入，以提高分割的空间精度。在Cardiac Atlas数据库上进行训练和测试后，所提出的网络的Dice指数为95%，中间LV轮廓的平均垂直距离为0.9像素，显著优于单独处理每帧的原始U型网络。值得注意的是，所提出的方法提高了LV分割结果的时间相干性，特别是在心脏运动难以跟随的LV心尖和基底处。
2018-10-20 cs.CV
Left Ventricle Segmentation in Cardiac MR Images Using Fully Convolutional Network
Isfahan University of Technology（伊斯法罕理工大学）；University of Michigan（密歇根大学）
医学图像分析，特别是分割特定器官，在开发临床决策支持系统中具有重要作用。在心脏磁共振（MR）成像中，分割左心室和右心室有助于医生诊断不同的心脏异常。这项任务面临着挑战，包括左心室和其他器官之间的强度和形状相似性，边界不准确以及大多数图像中存在噪声。在本文中，我们提出了一种自动化的方法分割心脏MR图像中的左心室。我们首先自动提取感兴趣的区域，然后将其用作全卷积网络的输入。我们训练网络准确，尽管与整个图像相比，左心室像素的数量很少。在我们提出的后处理阶段中，对全卷积网络的输出图进行处理，并根据其圆度选择区域。通过在York心脏图像数据集上的应用，我们的方法的Dice得分达到87.24%。
2018-02-21 cs.CV
Deep Neural Networks for ECG-free Cardiac Phase and End-Diastolic Frame Detection on Coronary Angiographies
Siemens SRL（西门子SRL公司）；Transilvania University of Brasov（布拉索夫特兰西瓦尼亚大学）；Clinical Emergency Hospital（临床急诊医院）；Siemens Healthcare GmbH（西门子医疗保健有限公司）；Siemens Healthineers（西门子医疗）
有创冠状动脉造影（ICA）是冠状动脉疾病（CAD）成像的金标准。舒张末期帧（EDF）的检测以及通常在冠状动脉血管造影采集的每个时间帧上的心脏相位检测对于CAD的解剖学和非侵入性功能评估具有重要意义。该任务通常通过手动帧选择或基于同时采集的ECG信号的半自动选择来执行-因此引入了同时ECG记录的要求。我们评估了基于深度神经网络的纯图像工作流的性能，用于全自动心脏相位和EDF检测冠状动脉造影。采用经训练以检测冠状动脉的第一深度神经网络（DNN）来预选其中冠状动脉良好可见的帧的子集。第二DNN预测每个帧的心脏相位标签。仅在第二DNN的训练和评估阶段中，ECG信号用于为每个血管造影帧提供基础事实标签。该网络在3900例患者的17800次冠状动脉造影上进行了训练，并在6250例患者的27900次冠状动脉造影上进行了评估。未制定与患者状态、既往干预或病理学相关的排除标准。心动时相检测的准确性为97.6%，敏感性为97.6%，特异性为97.5%。EDF预测的准确率为97.4%，召回率为96.9%。进行了几个亚组分析，表明心脏相位检测性能在很大程度上独立于采集角度和患者心率。在标准工作站上，一个血管造影系列的心脏相位检测的平均执行时间平均小于5秒。
2018-11-07 cs.CV
Recognition of Cardiac MRI Orientation via Deep Neural Networks and a Method to Improve Prediction Accuracy
在大多数医学图像处理任务中，图像的方向会影响计算结果。然而，手动重定向图像浪费时间和精力。本文研究了心脏MRI中的方向识别问题，并使用深度神经网络来解决这个问题。对于MRI的多个序列和模态，我们提出了一种迁移学习策略，该策略将我们提出的模型从单一模态调整到多模态。我们还提出了一种使用投票的预测方法。结果表明，深度神经网络是一种有效的方法，在心脏MRI方向的识别和投票预测方法可以提高准确性。
2022-11-15 cs.CV eess.IV
How good nnU-Net for Segmenting Cardiac MRI: A Comprehensive Evaluation
Auckland Bioengineering Institute, University of Auckland（奥克兰大学生物工程研究所）
本文在五个心脏 MRI 分割数据集上系统评估 nnU-Net 的 2D、3D 全分辨率、低分辨率、级联和集成配置，以判断其性能及开发专用新模型的必要性。
2025-01-05 cs.CV eess.IV
GridNet with automatic shape prior registration for automatic MRI cardiac segmentation
Université de Sherbrooke（舍布鲁克大学）；Xiamen University（厦门大学）；Centre Antoine Lacassagne（安托万·拉卡萨涅中心）；Université de Bourgogne Franche-Comté（勃艮第-弗朗什-孔泰大学）
在本文中，我们提出了一种基于新型深度卷积神经网络（CNN）的全自动MRI心脏分割方法，该方法专为2017年ACDC MICCAI挑战而设计。我们的网络的新颖之处在于它的嵌入式形状先验和针对心脏解剖结构定制的损失函数。我们的模型包括一个心脏centerof-mass回归模块，它允许自动形状事先登记。此外，由于我们的方法在没有任何手动预处理和/或图像裁剪的情况下处理原始MR图像，因此我们的CNN可以学习高级特征（用于区分心脏与其他形状相似的器官）和低级特征（用于获得准确的分割结果）。这些功能是通过多分辨率conv-decov“网格”架构学习的，该架构可以被视为U-Net的扩展。实验结果表明，我们的方法可以分割左，右心室以及心肌从3D MRI心脏体积在0.4秒，平均Dice系数为0.90和平均Hausdorff距离为10.4 mm。
2017-09-12 cs.CV
Recognition and standardization of cardiac MRI orientation via multi-tasking learning and deep neural networks
Fudan University（复旦大学）
在本文中，我们研究了心脏MRI中的成像方向问题，并提出了一个框架，通过深度神经网络对方向进行分类以进行识别和标准化。该方法使用了一种新的多任务策略，其中心脏分割和方向识别的任务同时实现。对于MRI的多个序列和模态，我们提出了一种迁移学习策略，该策略将我们提出的模型从单一模态调整到多模态。我们将方向识别网络嵌入心脏MRI方向调整工具中，即，CMRadjustNet.我们实现了两个版本的CMRadjustNet，包括一个用户界面（UI）软件和一个命令行工具。前者支持MRI图像可视化、方向预测、调整和存储操作;后者支持批处理操作。源代码、神经网络模型和工具已通过https://zmiclab.github.io/projects.html发布和开放。
2020-11-17 cs.CV eess.IV
Orientation recognition and correction of Cardiac MRI with deep neural network
Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学类脑智能科学与技术研究院）
本文研究了心脏MRI图像中的方向校正问题，并提出了一种通过深度神经网络进行方向识别的框架。对于多模态MRI，我们引入了一种迁移学习策略，将我们提出的模型从单模态迁移到多模态。我们将所提出的网络嵌入到方向校正命令行工具中，该工具可以对2D DICOM和3D NIFTI图像进行方向校正。我们的源代码、网络模型和工具可在https://github.com/Jy-stdio/MSCMR_orient/上获得
2022-11-21 cs.CV eess.IV
MSU-Net: Multiscale Statistical U-Net for Real-time 3D Cardiac MRI Video Segmentation
University of Notre Dame（圣母大学）；IBM Thomas J. Watson Research Center（IBM托马斯·J·沃森研究中心）；Guangdong General Hospital（广东省人民医院）
心脏磁共振成像（MRI）是MRI引导手术和实时干预的重要工具。MRI视频预计将在实际操作中实时分割。然而，现有的分割方法将遭受急剧的准确性损失时，修改加速。在这项工作中，我们提出了多尺度统计U-网（MSU-Net）的实时3D MRI视频分割在心脏手术指导。我们的想法是将输入样本建模为多尺度规范型分布以加速，同时仍然充分利用时空相关性。然后设计了一个并行的统计U网来有效地处理这些分布。MSU-Net的快速数据采样和高效的并行结构保证了快速准确的推理。与普通的U-Net和改进的GridNet方法相比，我们的方法实现了268%和237%的加速比，Dice分数分别增加了1.6%和3.6%。
2019-09-15 cs.CV eess.IV
Continuous Spatio-Temporal Memory Networks for 4D Cardiac Cine MRI Segmentation
Rutgers University（罗格斯大学）；New York University School of Medicine（纽约大学医学院）
针对传统心脏电影磁共振全序列分割繁琐易错的问题，提出基于时空记忆网络的连续STM网络，利用心脏结构多维度连续性先验实现精准快速的4D分割，在多数据集上验证了其对难分割区域的性能提升。
2024-10-31 cs.CV
Cascaded Convolutional Neural Network for Automatic Myocardial Infarction Segmentation from Delayed-Enhancement Cardiac MRI
Beihang University（北京航空航天大学）
自动分割心肌轮廓和相关区域，如梗死和无复流是心肌梗死定量评价的重要步骤。在这项工作中，我们提出了一个级联卷积神经网络自动心肌梗死分割延迟增强心脏MRI。我们首先使用2D U-Net专注于切片内信息来执行初步分割。之后，我们使用一个3D的U-网络，利用体积的空间信息进行微妙的分割。我们的方法在MICCAI 2020 EMIDEC挑战数据集上进行了评估，心肌、梗死和无复流的平均Dice得分分别为0.8786、0.7124和0.7851，优于分割竞赛的所有其他团队。
2020-12-28 cs.CV eess.IV
Measure Anatomical Thickness from Cardiac MRI with Deep Neural Networks
Rutgers University（罗格斯大学）；United Imaging Intelligence（联影智能）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
从医学图像中准确估计形状厚度在临床应用中至关重要。例如，心肌厚度是心脏疾病诊断的关键之一。虽然数学模型可用于获得精确的致密厚度估计，但由于迭代求解器，它们遭受沉重的计算开销。为此，我们提出了新的方法来估计密集的厚度，包括一个快速求解器，估计厚度从二进制环形形状和一个端到端的网络，估计厚度直接从原始心脏images.We三个心脏数据集和一个合成数据集上测试所提出的模型，取得了令人印象深刻的结果和普遍性。无需迭代求解器或手动校正即可进行厚度估计，比数学模型快100倍。我们还分析了不同的心脏病理与标准的临床模型的厚度模式，结果表明，我们的方法的厚度为基础的心脏疾病诊断的潜在临床价值。
2020-08-25 cs.CV cs.LG eess.IV
Feature Tracking Cardiac Magnetic Resonance via Deep Learning and Spline Optimization
University of Oxford（牛津大学）；National Institutes of Health（美国国立卫生研究院）；Tufts University School of Medicine（塔夫茨大学医学院）
特征跟踪心脏磁共振（CMR）最近已成为一个感兴趣的领域，用于从平衡的稳态自由进动（SSFP）电影序列中量化局部心脏功能。然而，目前可用的技术缺乏完全自动化，限制了再现性。我们提出了一种完全自动化的技术，其中CMR图像序列首先使用深度的全卷积神经网络（CNN）架构进行分割，并使用最小二乘优化在所有心脏帧中同时拟合二次基样条。使用来自42名肥厚型心肌病（HCM）患者和21名健康对照者的数据进行实验。在分割方面，我们比较了最先进的CNN框架，U-Net和扩张卷积架构，有和没有时间背景，使用三重交叉验证。相对于专家手动分割的性能在所有网络中都是相似的：像素准确度约为97%，所有类别的交集（IoU）约为87%，仅前景类别的IoU约为85%。对照组和疾病组受试者根据申报管道计算的左心室内周应变存在显著差异（-25.3% vs-29.1%，p = 0.006），与当前临床文献一致。
2017-04-12 cs.CV
Left Ventricle Segmentation and Quantification from Cardiac Cine MR Images via Multi-task Learning
National Library of Medicine, National Institutes of Health（美国国立卫生研究院国家医学图书馆）；Rochester Institute of Technology（罗切斯特理工学院）；TAJ Technologies Inc.（TAJ科技公司）
左心室的分割和各种心脏收缩功能的量化对于心血管疾病的及时诊断和治疗至关重要。传统上，这两项任务是独立处理的。在这里，我们提出了一个基于卷积神经网络的多任务学习方法，同时执行这两个任务，这样，网络学习更好的数据表示，提高泛化性能。问题的概率公式化使得能够在训练过程中学习任务的不确定性，这些不确定性用于自动计算任务的权重。我们对通过STACOM LV分割挑战获得的97个患者4维心脏电影-MRI数据集上从所提出的多任务网络获得的心肌分割与所提供的金标准心肌分割进行了五重交叉验证，获得了$0.849 \pm 0.036$的Dice重叠和$0.274 \pm 0.083$ mm的平均表面距离，同时估计心肌面积，平均绝对差误差为$205\pm198$ mm $^2$。
2018-09-26 cs.CV
High frame-rate cardiac ultrasound imaging with deep learning
Technion - Israel Institute of Technology（以色列理工学院）；University of Waterloo（滑铁卢大学）；Hillel Yaffe Medical Center（希勒尔·雅菲医疗中心）
心脏超声成像需要高帧速率以便捕获快速运动。这可以通过多线采集（MLA）来实现，其中从每个宽聚焦发射线获得若干窄聚焦接收线。这以引入块伪影为代价缩短了采集时间。在本文中，我们提出了一个数据驱动的学习为基础的方法来提高MLA图像质量。我们训练一个端到端的卷积神经网络对真实的超声心脏数据，通过MLA和相应的单线采集（SLA）采集。该网络实现了$5-$和$7-$线MLA两者的图像质量的显著改善，从而在具有MLA的帧速率的同时产生与SLA的去相关度量类似的去相关度量。
2018-08-23 cs.CV
PnP-AdaNet: Plug-and-Play Adversarial Domain Adaptation Network with a Benchmark at Cross-modality Cardiac Segmentation
Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程学系）；Department of Computing, Imperial College London（帝国理工学院计算机系）；Department of Electrical Engineering and Computer Science, University of Michigan（密歇根大学电气工程与计算机科学系）；Imsight Medical Technology, Co, Ltd., China（中国医视医疗科技有限公司）；School of Data Science, Fudan University, China（复旦大学数据科学学院）
深度卷积网络已经在各种医学图像计算任务上展示了最先进的性能。利用来自不同模态的图像进行相同的分析任务具有临床益处。然而，深度模型对具有不同分布的测试数据的泛化能力仍然是一个主要挑战。在本文中，我们提出了PnPAdaNet（即插即用对抗性领域自适应网络），用于在不同模态的医学图像之间适应分割网络，例如，MRI和CT。我们建议通过以无监督的方式对齐源域和目标域的特征空间来解决显著的域偏移。具体地，领域自适应模块灵活地替换源网络的早期编码器层，并且较高层在域之间共享。通过对抗学习，我们构建了两个鉴别器，其输入分别是多级特征和预测的分割掩码。我们已经验证了我们的领域自适应方法对心脏结构分割在不成对的MRI和CT。综合消融研究的实验结果证明了我们提出的PnP-AdaNet的出色功效。此外，我们在心脏数据集上引入了一个新的基准，用于无监督的跨模态领域自适应任务。我们将公开我们的代码和数据库，旨在促进医学成像领域这一具有挑战性但重要的研究课题的未来研究。
2018-12-19 cs.CV
FastVentricle: Cardiac Segmentation with ENet
Arterys
心脏磁共振（CMR）成像通常用于评估心脏结构和功能。CMR的一个缺点是考试的后处理很繁琐。在没有自动化的情况下，通过CMR对心脏功能的精确评估通常需要注释者在每个病例中花费数十分钟手动勾画心室结构。自动轮廓绘制可以通过生成轮廓建议来减少每个患者所需的时间，这些轮廓建议可以由注释器进行轻微修改。全卷积神经网络（FCN）是卷积神经网络的一种变体，已被用于快速推进自动分割的最新技术，这使得FCN成为心室分割的自然选择。然而，FCN受到其计算成本的限制，这增加了货币成本并降低了生产系统的用户体验。为了克服这一缺点，我们开发了Fastenicicle架构，这是一种基于最近开发的ENet架构的用于心室分割的FCN架构。与之前最先进的心室分割架构相比，FastRecombinicle速度快4倍，运行内存少6倍，同时仍保持出色的临床准确性。
2017-04-13 cs.CV
End-to-End Deep Learning Model for Cardiac Cycle Synchronization from Multi-View Angiographic Sequences
Polytechnique Montréal（蒙特利尔理工学院）；IDEMIA（IDEMIA公司）；CHU Sainte-Justine（圣贾斯汀大学医院中心）
冠状动脉的动态重建（3D+T）可以为临床医生提供重要的灌注细节。不同视图的时间匹配（可能无法同时采集）是冠状动脉段精确立体匹配的先决条件。在本文中，我们展示了如何从血管造影序列训练神经网络，以在心动周期期间仅使用原始X射线血管造影视频来同步不同视图。首先，我们用血管造影序列训练一个神经网络模型来提取描述心动周期进展的特征。然后，我们计算来自第一视图的每一帧的特征向量与来自第二视图的特征向量之间的距离，以生成显示条纹图案的距离图。使用寻路，我们提取两个视频的每个帧之间的最佳时间相干关联。最后，我们将评估集的同步帧与ECG信号进行比较，以显示96.04%的准确度。
2020-09-04 cs.CV
Full Quantification of Left Ventricle via Deep Multitask Learning Network Respecting Intra- and Inter-Task Relatedness
Western University（韦仕敦大学）
心脏左心室（LV）量化是用于识别和诊断心脏疾病的最重要的临床任务之一，但由于心脏结构的高度可变性和时间动力学的复杂性，仍然是一个挑战。完全量化，即，同时量化包括两个区域（腔和心肌）、六个局部壁厚度（RWT）、三个LV尺寸和一个心动时相的所有LV指标甚至更具挑战性，因为每种类型的指标内部和之间的不确定相关性可能阻碍学习过程更好的收敛和泛化。在本文中，我们提出了一种新设计的多任务学习网络（FullLVNet），它由一个深度卷积神经网络（CNN）构成，用于心脏结构的表达特征嵌入;两个并行的递归神经网络（RNN）模块用于时间动态建模;四个线性模型用于最终估计。在最终估计期间，对任务内和任务间相关性进行建模以加强泛化的改进：1）考虑任务内相关性，将组套索应用于每个回归任务以进行稀疏和共同的特征选择和一致预测; 2）考虑任务间相关性，提出三个阶段引导的约束以惩罚违反所获得的LV指数的时间行为。对145例受试者的MR序列的实验表明，FullLVNet在任务内和任务间相关性下实现了高准确度的预测，导致平均面积、RWT、维度的MAE为190 mm $^2$、1.41 mm、2.68 mm，相位分类的出错率为10.4\%。这赋予我们的方法在全面的临床评估的全球，区域和动态心脏功能的巨大潜力。
2017-06-14 cs.CV
Calcium Removal From Cardiac CT Images Using Deep Convolutional Neural Network
Biomedical Imaging Research Institute, Cedars Sinai Medical Center（雪松西奈医疗中心生物医学影像研究所）；Peking University（北京大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Yonsei University College of Medicine（延世大学医学院）
冠状动脉钙化导致心脏计算机断层扫描血管造影（CTA）图像上的射束硬化和晕影伪影，导致高估管腔狭窄和降低诊断特异性。为了正确去除冠状动脉钙化并精确恢复动脉管腔，我们提出了一种基于机器学习的多步修复方法。我们开发了一种新的网络配置，Dense-Unet，以实现低计算成本的最佳性能。通过与金标准X线血管造影比较，验证了去钙过程后的结果。我们的研究结果表明，用所提出的方法从图像中去除冠状动脉钙化是可行的，并可能提高CTA的诊断准确性。
2018-02-20 cs.CV cs.LG
Modeling 3D cardiac contraction and relaxation with point cloud deformation networks
University of Oxford（牛津大学）
针对传统心脏功能生物标志物难以反映三维变形的问题，提出PCD-Net几何深度学习模型建模心脏收缩舒张，在超万例数据集上验证精度高，在MI相关临床任务中性能优于现有基准。
2023-07-20 cs.CV cs.LG eess.IV
Multi-views Fusion CNN for Left Ventricular Volumes Estimation on Cardiac MR Images
Harbin Institute of Technology（哈尔滨工业大学）；University of Manchester（曼彻斯特大学）
左心室容积估计是心脏病诊断的重要步骤。本文的目的是解决直接LV容量预测任务。方法：本文提出了一种基于端到端深度卷积神经网络（CNN）的直接体积预测方法。从数据预处理、网络结构、多视图融合策略等方面对端到端的左心室容积预测方法进行了研究。本文的主要贡献在于以下几个方面。首先，我们提出了一种新的心脏磁共振（CMR）数据预处理方法。其次，我们提出了一种新的网络结构，用于端到端LV体积估计。第三，我们探讨了不同切片的代表能力，并提出了一种融合策略，以提高预测精度。结果如下：评估结果表明，该方法优于其他国家的最先进的LV体积估计方法的开放访问的基准数据集。由预测体积导出的临床指标与实际值吻合良好（EDV：R2=0.974，RMSE=9.6ml; ESV：R2=0.976，RMSE=7.1ml; EF：R2=0.828，RMSE =4.71%）。结论：实验结果表明，该方法可以用于LV体积预测任务。重要性：该方法不仅在大规模CMR数据的心脏疾病筛查中具有应用潜力，而且可以推广到其他医学图像研究领域
2018-04-09 cs.CV
Efficient and Phase-aware Video Super-resolution for Cardiac MRI
National Taiwan University（台湾大学）
心脏磁共振成像（CMR）因其能够无创、无痛地显示心脏的结构和功能而被广泛应用。然而，由于硬件的限制，要获得高质量的扫描是耗时和高成本的。为此，我们提出了一种新的端到端可训练网络来解决CMR视频超分辨率问题，而无需硬件升级和扫描协议修改。我们将心脏知识纳入我们的模型，以协助利用时间信息。具体来说，我们制定的心脏知识的周期函数，这是定制，以满足CMR的周期特性。此外，所提出的残差学习方案的残差有利于网络学习的LR-HR映射在一个渐进的细化方式。这种机制使网络具有自适应能力，通过调整细化迭代取决于任务的难度。在大规模数据集上的大量实验结果表明，该方法与许多最先进的方法相比具有优越性。
2020-07-08 cs.CV eess.IV
Can Diffusion Models Bridge the Domain Gap in Cardiac MR Imaging?
Centre for Doctoral Training in AI for Medical Diagnosis and Care（人工智能医学诊断与护理博士培训中心）；School of Computing, University of Leeds（莱斯特大学计算机学院）；Leeds Cancer Centre, St James’s University Hospital, Leeds, UK（利兹癌症中心，圣詹姆斯大学医院，利兹，英国）
提出一种基于扩散模型的合成数据生成方法，通过域泛化和域适应策略显著提升多中心心脏MR分割在未见域上的性能，无需迁移学习或在线训练。
2025-08-08 cs.CV
Cardiac fat segmentation using computed tomography and an image-to-image conditional generative adversarial neural network
Academic Department of Informatics, Universidade Tecnoldgica Federal do Parand (UTFPR)（信息学学术部门，联邦技术大学（UTFPR））
本研究提出了一种基于深度学习的新方法，利用pix2pix网络对心脏脂肪进行自动分割和量化，实现了高精度的epicardial和mediastinal脂肪分割，并在准确率和运行时间上优于现有方法。
2026-05-19 cs.CV
Contour-Guided Query-Based Feature Fusion for Boundary-Aware and Generalizable Cardiac Ultrasound Segmentation
Department of Computer Science and Artificial Intelligence, Dongguk University（东国大学计算机科学与人工智能系）
本文提出CGQR-Net网络，通过整合多分辨率特征表示与轮廓导出的结构先验，提升心脏超声分割的边界精度和泛化能力。
2026-03-30 cs.CV
CSSegNet: Fine-Grained Cardiac Structures Segmentation Using Dilated Pyramid Pooling in U-net
University of Michigan – Shanghai Jiao Tong University Joint Institute, Shanghai Jiao Tong University（上海交通大学密歇根学院）
心脏结构分割在医学分析过程中起着重要的作用。图像的边界模糊问题一直限制着分割的性能。为了解决这个难题，我们提出了一种新的网络结构，在网络的编码和解码阶段之间的跳跃连接中嵌入扩张金字塔池块。扩张金字塔池化块由具有不同视觉范围的卷积和池化操作组成。在模型中加入该模块，可以赋予模型多尺度视觉能力。结合其他技术，它包括多尺度初始特征提取和多分辨率预测聚合模块。对于骨干特征提取网络，我们参考了Xception网络的基本思想，它得益于可分离卷积。根据2017年后MICCAI-ACDC挑战阶段数据进行评估，我们提出的模型可以在左心室（LVC）腔和右心室腔（RVC）分割任务中实现最先进的性能。结果表明，我们的方法具有优势的几何（Dice系数，Hausdorff距离）和临床评价（射血分数，体积），这代表更接近的边界和更有统计学意义的分别。
2019-07-02 cs.CV stat.AP
Unsupervised Cardiac Segmentation Utilizing Synthesized Images from Anatomical Labels
Fudan University（复旦大学）；University of Oxford（牛津大学）；Chung-Ang University（中央大学）
心脏分割在临床实践中有很大的需求。由于手工描绘的巨大劳动，期望无监督分割。该任务的不适定优化问题本质上是具有挑战性的，需要精心设计的约束。在这项工作中，我们提出了一个无监督的框架，多类分割的强度和形状的约束。首先，我们扩展了一个传统的非凸能量函数作为强度约束，并实现了它与U-Net。对于形状约束，通过图像到图像转换从解剖标签生成合成图像，作为分割网络的形状监督。此外，应用增强不变性以便于分割网络学习形状方面的潜在特征。我们使用MICCAI 2019 MSCMR Challenge的公共数据集评估了拟议的框架，并在Myo、LV和RV的心脏MRI上取得了令人鼓舞的结果，Dice评分分别为0.5737、0.7796和0.6287。
2023-01-15 cs.CV eess.IV
Automatic Segmentation of the Left Ventricle in Cardiac CT Angiography Using Convolutional Neural Network
University Medical Center Utrecht（乌得勒支大学医学中心）
准确描绘左心室（LV）是评价心功能的重要步骤。在本文中，我们提出了一种自动分割的心脏CT血管造影（CCTA）扫描中的LV的方法。分割分两个阶段进行。首先，使用三个卷积神经网络（CNN）的组合来检测LV周围的限界框。随后，为了获得LV的分割，使用CNN在定义的限界框内执行体素分类。该研究包括60例患者的CCTA扫描，50次扫描用于训练用于LV定位的CNN，5次扫描用于训练LV分割，其余5次扫描用于测试该方法。自动分割的平均Dice系数为0.85，平均绝对表面距离为1.1 mm。结果表明，在CCTA扫描中使用体素分类与卷积神经网络的LV自动分割是可行的。
2017-04-19 cs.CV physics.med-ph
