ejection fraction
PulseAugur coverage of ejection fraction — every cluster mentioning ejection fraction across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新AI模型可从单帧合成完整心脏MRI，无需ECG门控
两篇研究论文介绍了一种新颖的生成框架PhaseFlow3D和PhaseFlow，用于从单个舒张末期3D容积合成完整的4D心脏电影MRI序列。这些方法消除了心电图（ECG）门控的需要，而ECG门控是心脏MRI采集中的一个标准但具有挑战性的要求。这两种方法都利用了基于心脏相位信息进行条件约束的流匹配模型来生成逼真的心脏运动轨迹，最终通过扭曲初始MRI帧来产生完整的心脏周期。合成序列在计算射血分数和心室容积等关键生理指标方面显示出更高的准确…
-
新AI模型可高精度预测超声心动图中的心脏功能
研究人员开发了一种利用胸骨旁长轴（PLAX）超声心动图预测左心室射血分数（EF）的新方法，解决了该领域标签数据稀缺的问题。通过将临床笔记与超声心动图视频相关联并采用视角分类器，他们创建了一个包含超过25,000个PLAX视频的数据集。所得模型实现了6.86%的平均绝对误差（MAE），证明了基于PLAX的EF估算的临床相关性和可行性，其性能可与目前使用心尖四腔切面的临床标准相媲美。通过整合PLAX和A4C的预测，进一步观察到了改进，MA…
-
新方法利用稀疏数据从超声心动图预测射血分数
研究人员开发了一种新颖的方法，从胸骨旁长轴（PLAX）超声心动图预测左心室射血分数（EF），解决了相关数据集稀缺的问题。通过将临床笔记与超声心动图视频相关联，并采用视角分类器和代理标签，他们生成了一个包含超过25,000个PLAX视频的数据集。所得模型实现了6.86%的平均绝对误差（MAE），证明了PLAX EF估计的临床可行性。进一步整合PLAX和心尖四腔（A4C）预测将MAE提高到6.37%，并且数据集、模型和演示已在GitHub…
-
新研究质疑医疗领域人工智能模型的可解释性
研究人员开发了一种新方法来评估概念瓶颈模型的可解释性，特别是在超声心动图等临床应用中。他们发现，仅仅准确预测结果是不够的；中间变量或“概念”也必须具有物理意义。通过在超声心动图数据上训练视频 Transformer 编码器，他们证明了仅为射血分数预测进行优化的模型可能会产生不准确的容积估计，因为目标函数对于缩放是不变的。在绝对单位中添加监督显著提高了这些中间容积预测的准确性，这凸显了验证概念层不仅仅是预测准确性的重要性。