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.
6 天有情绪数据
-
新型AI模型推动心脏MRI分析和成像重建
研究人员开发了MR-JEPA，这是一种用于心脏磁共振成像（CMR）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卓越的性能，表明其在心脏量化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…
-
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。
-
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。
-
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。
-
New Locus framework guides AI attention to relevant anatomy in medical images
研究人员开发了 Locus，一个旨在通过引导模型注意力到诊断相关的解剖区域来改进医学图像分类的新框架。该方法利用预训练的分割基础模型提取解剖形状先验，避免了手动标注或专门的分割模型训练的需要。Locus 引入了一个正则化项，在解剖区域和背景区域之间平衡注意力，当背景注意力过高时对分类器进行惩罚。该框架在包括皮肤镜、X射线、组织病理学和心脏 MRI 在内的八个不同的医学影像数据集上，展示了持续的性能提升和更符合解剖学原理的注意力。
-
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。