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.
3 天有情绪数据
-
新的 CardioFAD 框架可从稀疏数据合成心脏动力学
研究人员开发了 CardioFAD，一个从极度稀疏的观测数据合成心脏动力学信息的新框架。该方法通过将问题重新表述为发现足以恢复轨迹并可靠与心电图 (ECG) 信号对齐的锚点状态，来解决恢复完整心脏动力学的挑战。CardioFAD 范式包括聚焦 (Focus) 和对齐 (Align) 模块，针对运动显著性和模态间对应关系进行优化，然后是生成关键帧并插值其余帧的扩散 (Diffuse) 模块。在心脏 MRI 和超声心动图视频上的实验表明，…
-
一篇被撤稿的研究论文探讨了多组学与心血管影像的整合
一篇已被撤稿的研究论文探讨了将各种多组学数据与心血管影像技术相结合。该研究旨在将来自超声心动图、MRI和CT扫描的影像表型与来自批量、单细胞和空间转录组学的分子数据联系起来。文章回顾了多模态融合方法，并讨论了诸如缺失数据和批次效应等挑战，重点关注放射组学和空间分子对齐在心血管领域的转化应用。
-
新AI框架从稀疏MRI数据重建三维心脏几何结构
研究人员开发了一个名为Local2Mesh的新框架，用于从稀疏二维心脏MRI数据重建三维左心室几何结构。该方法通过采用几何感知对齐和局部轮廓到顶点建模方法，解决了切片间错位和局部空间信息不足等挑战。在公共数据集上的实验表明，Local2Mesh在几何重建和功能估计方面优于现有方法，并且其重建的网格有助于疾病分类。
-
新的视觉语言模型通过工具集成和解剖学重点增强心脏 MRI 分析
研究人员开发了两种新的视觉语言模型（VLM），旨在改进心脏磁共振成像（CMR）的定量评估。第一个模型 CineMR 集成了外部分析工具，从动态 CMR 图像中提取定量测量值，在基准测试中达到了 35.9% 的 pass@1。第二个模型 CARA-VL 专注于解剖学基础和引导注意力，使用超过 128,000 个解剖学基础对的数据集来帮助模型学习在临床评估和区域定位中应将注意力集中在哪里。
-
用于心脏病分割的AI模型在分布外泛化方面表现不佳
一篇新的研究论文评估了用于分割先天性心脏病（CHD）解剖结构的深度学习模型的分布外（OOD）泛化能力。研究发现，分布内性能是跨队列鲁棒性的一个糟糕的预测指标，其中nnU-Net在验证集上得分很高，但在一个独立的数据集（ImageCHD）上性能显著下降。SwinUNETR展示了更好的泛化能力，并且其性能在有限的目标域监督下得到了显著提升。
-
SAMReg 使用 Segment Anything Model 实现高级图像配准
研究人员开发了SAMReg，一种利用Segment Anything Model (SAM) 提高准确性和效率的新型图像配准算法。该方法采用基于感兴趣区域 (ROI) 的对应关系表示，无需训练数据、基于梯度的微调或提示工程。SAMReg 在心脏 MRI、肺部 CT、前列腺 MRI 和视网膜成像等各种医学成像应用中，均表现出优于传统迭代算法和基于学习的网络。
-
MYOSAIQ挑战赛推动心肌梗死分割AI发展
MYOSAIQ挑战赛引入了一个新的心肌梗死分割数据集，整合了来自多个中心和供应商的439个心脏磁共振成像（MRI）容积。六支队伍参赛，开发了各种深度学习模型，其中基于U-Net的方法在左心室和心肌分割方面表现优于微调的基础模型。然而，准确分割梗死区域仍有待改进。
-
新的AI方法提高了跨域MRI分割的可靠性
研究人员开发了一种名为CARD（基于反向扩散的共识校准）的新方法，以提高AI分割模型在医学成像中的可靠性，特别是在处理域外数据时。该技术利用扩散模型的内部机制，识别并纠正因域漂移（如MRI伪影或协议的变化）而产生的自信错误。CARD在各种MRI类型中显示出校准误差的显著提高，在许多比较中优于现有方法。
-
新AI模型推动心脏MRI分析和成像重建
研究人员开发了MR-JEPA，一个为心脏磁共振成像（CMR）设计的自监督视频基础模型。该模型通过处理3D时空输入扩展了先前的工作，并在来自10,000多名患者的无标注多序列数据上进行了预训练。与特定领域和自然视频基础模型相比，MR-JEPA在五个回归任务和疾病检测方面表现出优越性能，表明其在心脏定量和诊断方面具有强大的临床应用潜力。此外，还引入了一个名为MRpro的开源框架，该框架基于PyTorch构建，旨在促进MR成像的现代深度学习…
-
新方法通过傅里叶形变增强4D医学图像插值
研究人员开发了一种新颖的4D医学图像插值方法，该技术对于分析心脏MRI和胸部CT等应用中的动态解剖变化至关重要。这种新方法称为相位对齐有限傅里叶周期形变，利用有限傅里叶基将近周期性运动模式直接嵌入形变空间。它还包含一种相位对齐的时间重参数化，以更好地模拟不均匀的运动进程，将归一化时间映射到基于形变强度的潜在运动相位。在ACDC和4D-Lung数据集上的实验表明，该方法取得了最先进的性能，从稀疏观测中生成了解剖学上合理且连贯的中间体积。
-
新方法使用元数据指导合成心脏MRI生成
研究人员开发了一种新的方法，使用预训练的潜在扩散模型来生成合成心脏磁共振成像（CMR）。该方法将模型条件化于结构化临床元数据和切片位置，这些信息被编码为文本提示，以指导图像生成过程。为了增强元数据依从性并解决数据不平衡问题，研究团队整合了三种策略：无元数据的分类器自由引导（CFG）、对比批处理和逆频率采样。在大型UK Biobank数据集上的评估显示，与基线模型相比，在分布保真度和元数据对齐方面有了显著改进，尽管特定疾病的条件化仍然是一个挑战。
-
新AI方法改进心脏灌注MRI量化
研究人员开发了一种新方法，该方法使用物理信息神经网络（PINNs）与时空隐式神经表示（INRs）相结合，以增强心脏磁共振成像（CMR）心肌灌注的量化。这种新方法旨在通过将MR信号表示为连续函数来提高灌注参数估计的准确性和一致性。在模拟中，PINN-INR模型在参数估计方面表现出比现有技术更强的鲁棒性和更高的精度。
-
基础模型适配心脏MRI分析，实现强大的分割和射血分数估计能力
研究人员已将基础模型应用于心脏MRI扫描分析，在cine MRI不同视角的分割和射血分数估计方面取得了优异成果。这些模型在短轴、两腔和四腔视角的cine分割中展现出高Dice分数。尽管LGE瘢痕分割仍具挑战性，但直接射血分数回归模型实现了较低的平均绝对误差和较高的Pearson相关系数，表明这些适配的基础模型在多视角心脏分析中的有效性。
-
新的R-ItCUR算法增强了张量填充的鲁棒性
研究人员开发了一种名为鲁棒迭代t-CUR（R-ItCUR）的新算法，用于从可能包含显著异常值的局部数据中填充低管秩张量。该方法对采样张量交叉进行分区，应用自适应Welsch校正来抑制异常值，并通过投影分块梯度下降更新低秩分量。R-ItCUR直接在采样交叉上操作，降低了内存和计算需求。在合成数据、心脏MRI和地震数据上的实验表明，该方法能够准确恢复数据并对严重损坏具有鲁棒性，强调了利用交叉集中采样结构的优势。
-
新方法从单个心脏MRI切片估计左室（LV）方向
研究人员开发了一种新方法，利用单个切片来估计心脏磁共振（CMR）成像中左心室（LV）的方向。该方法引入了极坐标耦合圆形（PCC）嵌入，旨在克服现有依赖离散视图分类或多切片几何交集的方法的局限性。PCC嵌入提供了方向的连续且无歧义的表示，在四个数据集上平均mIoU达到86.18%，平均角度偏差为3.39%，从而提高了性能。这项工作为单一切片左室方向建模建立了一项新任务，并为增强CMR分析提供了几何一致的框架。
-
AI模型增强MRI扫描中心肌应变分析
研究人员开发了一种新颖的布朗桥扩散模型，用于增强心脏磁共振（CMR）图像的心肌应变分析。该模型学习将标准的CMR运动数据映射到高精度应变值，并以CMR图像本身为条件以保持解剖保真度。该框架在大规模多中心数据集上得到验证，与现有的基于学习的方法相比，显著提高了运动预测和应变分析的准确性，为临床心脏功能评估中具有成本效益的AI工具提供了潜在途径。
-
扩散模型增强3D心脏MRI重建
研究人员开发了一种名为Cardiac Latent Interpolation Diffusion (CaLID) 的新框架，用于从稀疏的2D MRI切片重建3D心脏容积。这种数据驱动的方法利用扩散模型进行插值，通过捕捉切片间的复杂关系显著提高了准确性。CaLID框架在潜在空间中运行，实现了24倍的上采样时间加速，并且无需分割标签或运动数据等辅助输入，从而简化了临床工作流程。
-
ECG-LLM：用于从心电图数据进行心脏推理的基础模型
研究人员开发了ECG-LLM，这是一种新颖的大型语言模型，用于使用心电图（ECG）数据进行心脏推理。该模型在来自186,000名患者的超过679,000项ECG研究上进行了训练，它采用多模态方法，仅凭ECG信号即可回答各种心血管问题。ECG-LLM可以准确预测通常需要超声心动图或心脏磁共振成像等高级成像的复杂心脏表型，并且在ECG理解任务上达到或超过了现有基准。
-
CRISP框架增强医学图像分割鲁棒性
研究人员开发了CRISP，一个旨在提高医学图像分割鲁棒性的新框架，特别是在处理领域迁移时。这种模型无关的方法利用“正区域的秩稳定性”原理，在不需要测试时更新或目标域数据的情况下获得空间提示。CRISP利用潜在特征扰动来定义高精度和高召回率的核心，然后进行迭代细化。在心脏MRI和CT肺血管分割上的评估显示，与现有方法相比有显著改进，在各种迁移下分割误差明显降低。
-
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。