cardiac magnetic resonance imaging
PulseAugur coverage of cardiac magnetic resonance imaging — every cluster mentioning cardiac magnetic resonance imaging across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的TetHeart框架从稀疏心脏MRI重建4D心脏网格
研究人员开发了TetHeart，一个用于从心脏MRI序列重建4D心脏网格的新型端到端框架。该系统可以处理完整的MRI堆栈和稀疏的实时切片观测，使其适用于离线分析和术中指导。TetHeart利用可变形四面体进行形状和运动捕捉，利用注意力切片自适应机制整合任意切片的数据，并利用蒸馏策略在极端稀疏性下提高准确性。它只需要关键帧的最小标注，并在多个数据集上展示了最先进的准确性和泛化能力。
-
人工智能在心脏淀粉样变性诊断中的应用综述
一篇新的综述文章详细介绍了人工智能在心脏淀粉样变性诊断通路中的应用。该文章将人工智能模型按临床任务进行分类，如筛查、检测、量化、预后和治疗反应监测，而不是按输入模态分类。虽然人工智能辅助检测和量化，特别是使用骨闪烁显像和SPECT/CT，已接近临床转化，但亚型分类、预后风险分层和治疗反应监测等任务仍处于早期开发阶段。
-
Bi-PT管道从稀疏心脏MRI数据重建3D心脏网格
研究人员开发了Bi-PT，一种从稀疏心脏MRI数据重建3D四腔心脏网格的新型管道。该方法利用双向交叉注意力点Transformer，通过比较图谱与从临床扫描中提取的稀疏点云来学习鲁棒的点特征。Bi-PT将形变场表述为神经常微分方程（NODE），以确保同胚变换，并结合语义标签损失和光滑度正则化以提高准确性和稳定性。
-
元数据驱动的预训练提升心脏 MRI 模型性能
研究人员开发了 MetaCLIP-CMR，一个利用结构化采集元数据预训练心脏 MRI 基础模型的新框架。该方法将成像模态、解剖视图、扫描仪供应商和场强转换为文本监督，与仅图像的方法相比，显著提高了表示学习能力。MetaCLIP-CMR 在模态和 cine 视图分类方面表现出更高的准确性，并且在预训练数据量大大减少的情况下实现了具有竞争力的心脏分割性能。
-
新的潜在ODE模型增强了心脏MRI心力衰竭预测能力
研究人员开发了一种新颖的潜在动力学模型，使用神经常微分方程（ODE）来分析心脏磁共振成像（CMR）数据。该模型将双心室解剖结构和全周期动态运动编码到连续的潜在轨迹中，旨在比传统方法更准确地预测心力衰竭事件。该方法在对超过72,000名英国生物银行参与者进行的一项研究中显示出改进的预后性能，表明其在提供更丰富的心脏表型方面的潜力。
-
CardioMorphNet 使用形状引导的贝叶斯深度学习预测心脏运动
研究人员开发了 CardioMorphNet，一种新颖的贝叶斯循环深度学习框架，用于从短轴心脏 MRI 图像预测心脏运动。该方法利用循环变分自编码器和用于分割及运动估计的后验模型，引导网络关注解剖区域，而不依赖于基于强度的配准。与现有的最先进方法相比，CardioMorphNet 在运动估计和临床指标准确性方面表现出卓越的性能，同时还为其预测提供了不确定性图。
-
CardioLens 评估显示 MLLMs 在临床心脏 MRI 任务中存在困难
研究人员开发了 CardioLens，一个使用多序列心脏 MRI 数据评估多模态大语言模型 (MLLMs) 的新测试平台。该测试平台由私人医院档案构建，包含超过 473,000 张切片和 13,000 对经过验证的、跨越不同 MRI 序列的问答对。使用 CardioLens 进行的评估显示，MLLMs 在公开基准测试上的表现与其在实际临床应用中的效用之间存在显著差距，模型在整合不同序列和时间阶段的信息方面存在困难。
-
新的基于集合的分组配准框架可泛化至不同心脏MRI协议
研究人员开发了一种名为 \AnyTwoReg 的新型基于集合的分组配准框架，用于心脏MRI序列。该方法将输入数据视为无序集合，将网络设计与序列长度和输入顺序解耦。通过使用共享编码器和来自基础模型的对比度不敏感特征，它实现了跨不同MRI协议和对比度变化的泛化。该框架展示了强大的零样本跨协议泛化能力，并提高了下游定量映射的质量。