论文

2021

  1. A Multimodal Deep Learning Model for Cardiac Resynchronisation Therapy Response Prediction【code】心脏再同步治疗反应预测的多模态深度学习模型

我们提出了一个新的多模式深度学习框架，用于根据二维超声心动图和心脏磁共振(CMR)数据预测心脏再同步治疗(CRT)的反应。该方法首先使用‘nnU-net’分割模型从这两种模式中提取心脏在整个心脏周期中的分割。然后，采用多模态深度学习分类器进行CRT响应预测，该分类器结合了两种模态分割模型的潜在空间。在推断时，该框架只能用于2D超声心动图数据，同时利用CMR和从模型中学习的超声心动图特征之间的隐含关系。
心脏磁共振(CMR)成像被认为是评估左心室(LV)功能的金标准，)具有出色的时间和空间分辨率。但是耗时且昂贵，需要大量的技术专业知识才能操作，
image.pngimage.png

  1. Automatic left ventricular cavity segmentation via deep spatial sequential network in 4D computed tomography【code】基于深空间序贯网络的四维CT左心室腔自动分割

从时间序列(由多个时间点组成)的心脏图像序列中自动分割左心室腔(LVC)是定量分析心脏结构和功能变化的基本要求。用于分割的深度学习方法在性能上是最先进的；然而，这些方法通常被公式化为在单个时间点上工作，因此忽略了来自时间图像序列的可用补充信息，其有助于跨时间点的分割准确性和一致性。特别地，单时间点分割方法在分割心脏序列中的收缩末期(ES)图像方面表现不佳，其中左心室变形为最小的不规则形状，并且血腔和心肌之间的边界变得不明显和模糊。为了克服在自动分割时间LVC方面的这些局限性，我们提出了一种空间序列网络(SS-Net)来以无监督的方式学习LVC的变形和运动特征，然后将这些特征与来自双向学习(BL)的序列上下文信息相结合，其中双向学习使用了图像序列的时间和逆时间方向。
image.pngimage.png
主要任务还是在于图像分割，关键创新点在于：更好的结合了时间序列来充分挖掘其中的信息。

  1. 2021-Deep Networks To Automatically Detect Late-Activating Regions Of The Heart【code】深层网络可自动检测听觉的晚期激活区

提出了一种新的自动识别左心室晚激活区的方法，该方法利用模拟回声(高密度)MR图像进行电影位移编码，自动识别左心室晚激活区。我们开发了一个深度学习框架，通过检测到圆周缩短(TOS)开始的时间来识别心力衰竭患者的晚期机械激活。
2D+time MR图像数据

  1. Diagnostic Classification of Patients with Dilated Cardiomyopathy Using Ventricular Strain Analysis Algorithm【code】心室应变分析算法在扩张型心肌病诊断分型中的应用

扩张型心肌病(DCM)是一种左心室或双心室增大和收缩功能障碍的心肌病。它是导致心脏性猝死和心力衰竭的重要原因，也是心脏移植的主要适应症。心脏MRI可以诊断出心脏肌肉损伤和瓣膜问题等重大心脏疾病。然而，心脏病专家需要时间来测量DCM相关参数，以确定患者是否患有这种疾病。提出了一种心室自动分割、参数提取和诊断扩张型心肌病(DCM)的方法。本文利用胸骨旁短轴心脏MR图像序列对左、右心室进行分割，提取心脏舒张末和收缩末期的相关参数。机器学习分类器使用提取的参数作为输入，对正常人和扩张型心肌病患者进行预测，其中随机森林分类器的准确率最高。
image.pngimage.pngimage.png

  1. 2021-Fully Automatic Cardiac Segmentation And Quantification For Pulmonary Hypertension Analysis Using Mice Cine Mr Images【code】利用小鼠电影磁共振图像对肺动脉高压进行全自动心脏分割和定量分析

肺动脉高压(PH)引起的心肌解剖改变可以用磁共振(MR)进行定量评估。然而，生物标志物的提取依赖于对受影响结构的分割，在许多情况下，这是由医生手动完成的。以前的方法已经成功地从人体心脏MR图像中对不同的心脏结构进行了自动分割。然而，从老鼠图像中分割的问题很少被解决，但这对于临床前研究是必不可少的。因此，这项工作的目的是开发一种基于卷积神经网络的自动化工具，用于同时分割健康和病理小鼠的4个心脏结构，以精确评估可能与PH相关的生物标志物。所获得的自动分割可与手动分割相媲美，并且它们改善了对照病例和病理病例之间的区别，特别是关于右心室的生物标志物。

  1. Left ventricle motion estimation for cine MR images using sparse representation with shape constraint【code】基于形状约束稀疏表示的电影MR图像左心室运动估计

提出一种基于稀疏表示的左心室(LV)运动估计方法，以处理由组织变形引起的空间变化的强度失真。方法：对于每个心肌标志点，通过从训练数据集中学习变换来生成自适应字典。然后利用稀疏表示法对地标进行跟踪。其次，将点分布模型应用于整体跟踪结果。最后，根据各标志点之间的对应关系，估计出左室心肌的致密位移场。利用估计的密位移场，计算周向应变来评价心肌功能。该方法的性能通过平均垂直距离(APD)、Dice度量和平均对称轮廓距离(SCD)进行量化。结果：与最新技术相比，对于三个公共心脏数据集，使用该方法可以获得最小的APD和SCD值，以及最高的DICE值。该方法与商业软件Medis Suite MR的应变差值平均值为−0.0 1，两种方法的组内相关系数为0.91。结论：该方法能准确估计左心室的致密位移场，优于其他先进技术。由该方法得到的周向应变与Medis Suite MR软件得到的结果吻合良好，而大多数心脏病患者都检测到节段性应变异常，这表明该方法具有临床应用的潜力。
image.pngimage.png

  1. The Role of Artificial Intelligence in Cardiovascular Imaging: State of the Art Review【code】人工智能在心血管成像中的作用：最新进展

2020

  1. A Convolutional Neural Network-based Deformable Image Registration Method for Cardiac Motion Estimation from Cine Cardiac MR Images【code】基于卷积神经网络的可变形心脏运动图像配准方法

描述了一种无监督深度学习框架，其特征是基于拉普拉斯算子的平滑损失，用于3D电影心脏磁共振(CMR)图像的可变形配准。在配准之前，通过使用U-Net模型分割左心室(LV)血池、左心室心肌(LV)和右心室(RV)血池，并沿LV血池的中心对齐2D切片，来校正输入3D图像的切片错位。我们使用自动心脏诊断挑战(ACDC)数据集进行了实验。我们使用配准变形场将手动分割的LV血池、LV心肌和RV血池标签从舒张末期(ED)帧扭曲到心动周期中的其他帧。LV血池、LV心肌和RV血池的平均Dice评分分别为94.84%、85.22%和84.36%，Hausdorff距离(HD)分别为2.74 mm、5.88 mm和9.04 mm。我们还引入了一种管道来使用所提出的基于CNN的心脏运动估计来估计患者的气管造影术。
这里，我们提出了一种基于CNN的4D可变形配准技术，用于从4D电影CMR图像中进行一致的运动估计。我们评估了所提出的框架在ACDC数据集上的性能[5]，并比较了基于梯度的算子和基于拉普拉斯的算子作为用于反向传播CNN的损失函数中的正则项的效果(图1B)。
image.png

  1. A Deep Learning Framework for Wall Motion Abnormality Detection in Echocardiograms【code】超声心动图室壁运动异常检测的深度学习框架

冠心病(CAD)是发达国家发病率和死亡率的主要原因。在急性或慢性梗阻性冠心病患者中，超声心动图(ECHO)是显示室壁异常增厚或运动的标准检查方法，这些异常室壁增厚或运动将被报告为节段性室壁运动异常(RWMA)。准确识别节段性室壁运动异常对于心血管评估、心肌缺血、冠心病和心肌梗死的诊断至关重要。考虑到局部室壁运动异常评分的可变性和挑战性，我们提出了一种能够快速准确地识别回波图像上的局部和全球室壁运动异常的平台。
不是小论文，主要搭建了一个智能平台。

  1. Advances and New Insights in Post-Transplant Care: From Sequencing to Imaging【code】移植后护理的进展和新见解：从测序到成像

综述的目的心脏成像和测序在最近几年有了很大的改善。这篇综述的目的是总结心脏成像和测序的最新进展及其在心脏移植中的应用，并为人工智能如何为心脏移植研究中的大数据驱动分析提供新的范式提供我们的视角。最近的发现心脏成像，特别是心脏MRI的参数标测和超声心动图的整体纵向应变，提高了我们对心脏移植排斥反应的理解和对不良临床结果的预测。独立地，基因表达谱分析和供者来源的无细胞DNA的测量极大地改善了急性排斥反应的风险分层。最近，使用新的机器学习算法的数据驱动的表型聚类已被用于识别与急性排斥相关的独特的巨噬细胞亚群。成像和测序技术在心脏移植研究中的应用进展迅速，同时对这些大数据集的分析也在改进。心脏移植研究的方法正在发生重大变化，因为大数据驱动的分析识别了可以与传统假设检验相结合的新机制模式

  1. Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation【code】基于深度学习的心脏MR运动伪影检测与校正重建高质量分割

医学图像中解剖结构的分割已经通过深度学习方法在一系列应用中得到了成功的解决。然而，这一成功在很大程度上取决于正在分割的图像的质量。医学图像分析领域中经常被忽视的一个点是，由于器官运动、患者运动和/或图像采集相关问题，大量的临床图像具有严重的图像伪影。在本文中，我们讨论了图像运动伪影对心脏MR分割的影响，并比较了各种联合校正伪影和分割心腔的方法。该方法基于我们最近开发的联合伪影检测和重建方法，该方法使用联合损失函数从k空间重建高质量的MR图像，并通过实施数据一致性项将伪影校正任务本质上转换为欠采样图像重建任务。在本文中，我们建议在端到端框架中使用与此相结合的分段网络。我们的训练优化了三个不同的任务：1)图像伪影检测，2)伪影校正和3)图像分割。我们训练重建网络，使用综合损坏的心脏MR k空间数据和未校正的重建图像，自动校正与运动相关的伪影。
image.png例如(A)高质量的电影CMR图像；(B)由U-Net[5]输出的分割；(C)(综合地)损坏的图像；(D)由同一网络输出的分割。我们的图为后续分割说明了运动伪影造成的问题。
本文侧重于加速度的欠采样。我们专注于人工制品，目标是提高图像和分割的质量。第一次在CMR的单个流水线上研究联合图像伪影的检测、校正和分割。
image.pngimage.png
总结：比U-Net更好地分割了2D+图像。

  1. 2020-Incorporating Multiple Observations in global Ultrasound Elastography【code】在全局超声弹性成像中合并多个观测

新的超声弹性成像时延估计框架。在高捕获噪声的情况下，现有的运动跟踪技术存在位移场估计不准确的问题。为了解决这个问题，我们从变形前和变形后的扫描平面收集了几个超声射频(RF)帧，以更好地研究数据统计。我们制定了一个非线性代价函数，其中包含了来自两个变形级别的所有观测帧。除了数据的相似性外，我们还采用了轴向和横向连续性来利用空间相关性的先验信息。最重要的是，我们考虑了从不同的观测RF帧获得的位移估计之间的连续性。这种新的连续性约束主要有助于提高所提出的技术对高噪声功率的鲁棒性。我们对上述代价函数进行了有效的优化，得到了一个稀疏的线性方程组，在该系统中，我们求解数百万个变量，以同时估计所有包含的RF帧的所有样本的位移。我们称所提出的算法为使用多个观测的全局超声弹性成像(MGLUE)。

  1. Spatiotemporal Coherence Weighting for In Vivo Cardiac Photoacoustic Image Beamformation【code】在体心脏光声成像中的时空相干性加权

  2. Tissue Deformation Estimation With Deep Learning on Ultrasound Data【code】基于超声数据的深度学习组织形变估计、

    2019

  3. 2- and 3-Dimensional Myocardial Strain in Cardiac Health and Disease【code】心脏健康和疾病中的二维和三维心肌应变

综述类文章，
斑点追踪超声心动图的进步使得形变成像成为一种可行的、可靠的、有价值的临床常规工具。应变的整体或分段测量可以客观地量化心肌变形，以一种新的方式表征心肌功能。然而，正确解释变形测量需要了解心脏力学，以及负荷条件、心室几何形状、传导延迟和心肌组织特性对测量值的影响。本文的目的是回顾形变成像的基本概念，简要描述用于应变评估的成像模式，并深入讨论导致特定疾病中不同表现的潜在物理和病理生理机制。
应变是一种无量纲测量，描述了心脏周期中发生的心肌变形。
散斑追踪超声心动图(STE)STE强烈依赖于图像质量，丢失或静止回波(混响)会导致错误的应变估计。
CMR：特征跟踪。特征跟踪方法同样可以应用于CMR电影(稳态自由进动)图像。然而，在CMR图像中，心肌壁-腔界面(心内膜轮廓)是用于跟踪的主要特征，而心肌(与超声心动图图像不同)具有均匀的灰度值(8)。因此，跟踪结果主要取决于心内膜轮廓的运动，这足以提供良好的射血分数和整体应变估计(10，11)。然而，对于局部应变估计，心内膜轮廓可能不能提供足够的特征来进行可靠的跟踪，这解释了CMR特征跟踪软件(12)的节段跟踪结果的高度变异性。CMR的典型帧速率(大约30帧/心动周期)低于STE的推荐帧速率。然而，在CMR特征跟踪中，限制STE分析的不良声学窗口和丢失的问题是可以忽略的。时间平均、不同的特征跟踪算法以及对心内膜轮廓的不同定义解释了基于CMR和基于回声的变形测量之间的一些差异。这两种模式在图像平面方向上的差异可能是另一个经常被低估的问题。
image.pngimage.png
image.pngimage.png

  1. An iterative multi-path fully convolutional neural network for automatic cardiac segmentation in cine MR images【code】用于电影MR图像心脏自动分割的迭代多路径全卷积神经网络。

目的：从电影心脏磁共振(MR)图像中分割左心室(LV)、右心室(RV)腔和心肌(MYO)是心脏疾病诊断和监测的重要步骤。空间上下文信息可能对分割性能的改进非常有益。为此，本文提出了一种迭代多路径全卷积网络(IMFCN)来有效地利用空间上下文对电影MR图像中的心脏进行自动分割。
方法：IMFCN，使用到了ASPP，效果还不错，
结论：提出了一种自动端到端的全卷积结构，用于精确的心脏分割。该方法提供了一种以二维方式利用空间上下文的有效方法，并得到精确和一致的分割结果
image.pngimage.png
image.png

  1. Automatic Segmentation and Functional Assessment of the Left Ventricle using U-net Fully Convolutional Network【code】基于U-Net全卷积网络的左心室自动分割与功能评价

提出了一种新的左心室自动分割和定量评价方法。该方法由两个步骤组成。首先，使用全卷积U-Net从电影MR图像中分割出左心室的心外膜和心内膜边界。该步骤结合了一个新的损失函数，该损失函数解释了由二元交叉熵(BCE)损失函数引起的类别不平衡问题。新的损失函数最大限度地提高了分割的准确率，并弥补了BCE造成的类不平衡的影响。在第二步中，构建心室容积曲线，根据该曲线估计左心室功能参数(即射血分数)。与BCE丢失(Dice评分分别为0.89和0.86)相比，我们的方法在分割心外膜和心内膜边界(Dice评分分别为0.94和0.96)方面显示出统计学意义。此外，估算的射血分数与权威标准之间存在高度正相关，为0.97。
image.pngimage.png

  1. 2019-Cardiac Cine-MRI CT Registration for Interventions Planning【code】心脏电影-MRI CT注册用于干预计划

    图像配准/图像分割
    患者特有的多模态模型已经证明了它们对各种心脏临床操作的影响。计算机断层扫描(CT)和磁共振成像(MRI)是临床上广泛使用的两种手段，用于描述患者的解剖、组织和心功能。已经提出了全自动的方法来配准CT和电影-MRI短轴视图(SAX)，多图像方法的结果更好，需要多期CT扫描。本文的目的是提出一种不使用多期CT扫描的替代方法，即减少患者的辐射暴露。我们提出了一种新的方法，其自动初始化接近于依赖于电影-MRI运动检测的解决方案。
    image.png

  2. Deep Learning in Ultrasound Imaging【code】超声成像中的深度学习

目的：让读者对深度学习方法对超声成像的许多方面可能产生的影响有一个广泛的理解。

  1. Early diagnosis system for lung nodules based on the integration of a higher-order MGRF appearance feature model and 3D-CNN【code】基于高阶MGRF外观特征模型和3D-CNN集成的肺结节早期诊断系统

出了一种新的肺结节诊断系统，该系统利用从一次计算机断层扫描(CT)中提取的特征来诊断肺结节。为了获得对检测到的肺结节的准确诊断，该框架综合了以下两组特征：(I)使用高阶马尔可夫-吉布斯随机场(MGRF)模型建模的外观特征，该模型能够描述肺结节内部的空间不均匀性；(Ii)使用三维卷积神经网络(3D-CNN)提取的局部特征，因为它们能够有效地利用输入数据的空间相关性。本章的创新之处在于使用新开发的七阶MGRF模型对检测到的肺结节的外观进行精确建模，该模型除了与从3D-CNN提取的局部特征相结合外，还能够对检测到的小的和大的肺结节的现有空间不均匀性进行建模。最后，利用这两个特征组作为深度自动编码器(AE)分类器来区分结节的良恶性。

  1. Myocardial strain assessed by feature tracking cardiac magnetic resonance in patients with a variety of cardiovascular diseases – A comparison with echocardiography【code】特征跟踪心脏磁共振评估多种心血管疾病患者的心肌应变—与超声心动图的比较

特征跟踪心脏磁共振成像：电影-CMR检查由心电图触发，并在屏气期间进行。每个心动周期有30个时相。我们使用商用软件系统Segment Version 2.0(Medviso AB，Lund，瑞典)进行FT-CMR数据分析8。在一个由17个节段组成的软件生成的模型中，进行了离线FT-CMR分析，以评估峰值全局纵向应变(GLS)、全局径向应变(GRS)和全局周向应变(GCS)。对于GLS，心肌应变数据来自两腔、三腔和四腔长轴切面。然而，在心力衰竭患者中没有三腔长轴切面，在这些患者中，GLS仅来自两腔和四腔长轴切面。对于GRS和GCS，所有患者的心肌应变数据均来自心尖、室中和基础短轴切面。在所有图像上，舒张末都有心外膜和心内膜边界的轮廓。随后，触发了自动计算，通过该自动计算，应用软件算法在整个心脏周期中自动勾勒出边界。跟踪和等高线的质量在视觉上得到验证，并在需要时进行手动校正。如前所述，为评估左心室射血分数(LVEF)，进行了额外的Cine-CMR数据分析。
斑点追踪超声心动图：我们使用商用软件系统EchoPAC版本202，修订版34.0(GE Healthcare，Chicago，Illinois，USA)进行STE数据分析。离线二维高分辨率STE(>50帧/秒)分析是基于心尖二腔、三腔和四腔心尖切面的17节段软件生成的左心室模型来评估收缩期峰值GLS。根据心尖、脑室中和胸骨旁短轴基底面的平均应变值计算GRS和GCS。感兴趣区(ROI)包括完整的左侧心肌，心肌应变计算为心肌中层的平均值。在心肌追踪之前，主动脉瓣的开启和关闭由事件计时功能定义。随后使用自动功能Q-Analysis模块11软件生成收缩期心肌峰值应变的计算
image.png
基线特征。数据为平均值±SD或绝对数(%)。HF：心力衰竭；AVS：主动脉瓣狭窄；HTX：心脏移植；ACE-I：血管紧张素转换酶抑制剂；ARB：血管紧张素Ⅱ受体阻滞剂；EGFR：估计肾小球滤过率；LVEF：左心室射血分数。*Bradypacemaker、心脏再同步治疗或植入性心脏除颤。
image.png
FT-CMR和STE评估心肌应变。图中描述了使用特征跟踪心脏磁共振成像(A)和二维斑点跟踪超声心动图(B)进行全球纵向应变评估的心肌分割和数据分析。有关详细信息，请参阅文本。4CH，四腔观；2CH，双腔观；3CH，三腔观；SAX，短轴视图。

  1. Myocardial strain imaging: review of general principles, validation, and sources of discrepancies【code】心肌应变成像：一般原理、验证和差异来源的回顾

心肌组织跟踪成像技术的发展是为了更准确地评价心肌变形(即应变)，有可能克服射血分数(EF)的限制，提高射血分数，为心脏疾病的诊断和预后做出贡献。虽然大多数形变成像技术都基于相似的原理来检测和跟踪图像中的特定模式，但成像内和成像间的模态不一致限制了应变的广泛临床适用性。在这篇综述中，我们旨在描述超声心动图和心脏磁共振变形技术的特殊性，以了解应变测量中的差异，重点是潜在的差异来源：与分析数据所用的软件有关，与图像采集的不同物理学有关，以及2D和3D方法的不同原理。由于应变测量不可互换，因此非常需要使用经过验证的应变评估工具，以便从循证数据中获得信息。然而，目前的组织跟踪技术缺乏可靠的验证，因为只有几个商业变形成像软件得到了适当的研究。因此，我们在这篇综述中讨论了被忽视的组织追踪技术的次优验证问题，以倡导这一问题。
心脏收缩功能的评估仍然是现代心脏病学的一个挑战。事实上，用来描述左心室(LV)功能的传统参数—射血分数(EF)存在很大的局限性，1与其容积性质有关，重复性差，且不能反映局部左心室功能。这促使人们通过对心肌变形(即应变)的无创性评估来更深入地描述左室力学。应变是力的作用所产生的变形；心肌应变代表心肌长度从松弛状态到收缩状态的百分比变化。与EF不同的是，应变允许研究纵向应变(LS)、周向应变(CS)或径向应变(RS)方向的收缩函数的不同空间分量，包括全球和区域。然而，与EF相似，应变代表负荷相关的心功能估计，两者都不能描述真实的心肌收缩力。通过量化应变来评估左心室变形已经有了长足的发展，从超声心动图测定的周向纤维缩短速度、心脏磁共振(CMR)组织标记、组织多普勒超声心动图到目前的斑点跟踪超声心动图(STE)和特征跟踪(FT)方法。应变的改变被发现发生在维持的EF的环境中，据报道在许多临床情况下，从无症状的情况下，应变的改变可以提供比单独EF更多的预后价值。因此，形变成像技术已经变得非常流行，并被应用于众多的研究问题，导致了大量的论文发表，仅在PubMed上，“心肌应变”关键词搜索就达到了近8000个结果。尽管有热情的科学兴趣，心肌变形评估只是部分地违反了临床设置，因为一些人对其在现实生活中的稳健性提出了一些担忧。在本文中，我们试图总结当前形变成像方法的一般原理和技术特点，特别强调解释不同方法测量值差异的因素。此外，我们的目标是提供验证和模态内和模态间比较的当前状态的概述。
变形成像技术的一般原理：
Tissue tracking组织跟踪-一般工作流程。典型的组织追踪工作流程如图1所示。通常，最初的步骤是识别关键的心脏事件：舒张末期(ED)和收缩末期(ES)。第二步是通过半自动勾画ED或ES或两者的心内膜和心外膜边界，定义围绕心肌壁的感兴趣区域。分割是一个关键步骤，因为它定义了将被跟踪的点集，引入了取决于用户和分割算法的可变性。10最后，在整个心脏周期中跟踪感兴趣区域，并计算应变曲线，可能是后处理。既可以报告收缩末期应变，也可以报告收缩期峰值应变。
image.pngimage.pngimage.png
image.png
此外还对比了一些其他算法的效果，具体见文章。

2018

  1. 2018-Deformable medical image registration using generative adversarial networks【code】基于产生式对抗性网络的可变形医学图像配准

使用gan网络对心脏和视网膜图像进行配准。

  1. 2018-Detection of Cardiac Events in Echocardiography Using 3D Convolutional Recurrent Neural Networks【code】

超声图像，3D数据，
因为组织运动具有时空性质，而CNN忽略了这一点。我们建议使用3D CNN直接从输入视频中提取时空特征，并将其馈送到长期短期记忆(LSTM)层。联合网络被训练来分类帧是属于舒张期还是收缩期
image.png

  1. 2018-Direct delineation of myocardial infarction without contrast agents using a joint motion feature learning architecture【code】使用关节运动特征学习结构在无造影剂的情况下直接勾画心肌梗死

心脏定位层可自动从心脏MR成像序列中裁剪出涉及左心室的感兴趣区域(ROI)序列；运动特征提取层利用长短期记忆-递归神经网络，a)通过固定大小的补丁序列(从图像序列中裁剪)之间的局部强度变化来构建基于块的运动特征；b)利用光流技术通过相邻图像之间的全局强度变化来构建基于图像的特征来描述每个像素的运动；完全连接的判别层可以在每个像素中将两种类型的运动特征组合在一起，然后在每个像素中建立运动特征与组织身份(即是否梗死)之间的对应关系
image.pngimage.png

2017

  1. 2017-A Computer Vision Pipeline for Automated Determination of Cardiac Structure and Function and Detection of Disease by Two-Dimensional Echocardiography【code】一种计算机视觉管道，用于通过二维超声心动图自动确定心脏结构和功能以及检测疾病

超声，CNN网络对超声图像进行分类。 使用U-Net来分割图像，
论文贡献：1)对完整的回声研究进行预处理；2)卷积神经网络(CNN)用于心动周期的视图识别、图像分割和相位确定；3)心腔容积和左心室质量的量化；4)粒子跟踪以计算纵向应变；以及5)有针对性的疾病检测。
具体流程：预处理需要自动下载DICOM格式的ECHO研究，将视频从静止图像中分离出来，提取元数据(如帧速率、心率)，将其转换为用于矩阵计算的数字数组，并通过覆盖患者健康信息来取消图像识别。接下来，我们使用卷积神经网络(如下所述)自动确定回声视图。根据识别的切面，视频被引导到特定的分段模型(胸骨旁长轴、胸骨旁短轴、心尖-2和心尖4-腔)，并使用输出来推导腔测量，包括长度、面积、体积和质量估计。接下来，我们生成了两种常用的左心室功能自动测量方法：射血分数和纵向应变。最后，我们对胸骨旁长轴视频进行分期，以识别心脏收缩和舒张末期的图像，并使用生成的图像对检测两种疾病：肥厚型心肌病和心脏淀粉样变性。下面我们将详细介绍这些步骤，并提供性能和临床应用的技术细节。
在心功能方面，我们计算了自动射血分数和纵向应变测量(在2个队列内)，这与商业软件得出的值[射血分数，MAD=5.3%，N=3101项研究；应变，MAD=1.5%(n=197)和1.6%(n=110)]一致，并证明了曲妥珠单抗心脏毒性的连续监测适用于乳腺癌患者。

  1. 2017-Convolutional Neural Network Based Automated RV Segmentation for Hypoplastic Left Heart Syndrome MRI【code】基于卷积神经网络的左心发育不良综合征MRI右室自动分割

MRI，使用FCN来分割左右心室，画出心内膜，数据集太小（才23个）
本研究从左心发育不全综合征患者的3D+时间磁共振序列中自动分割右心室心内膜边界。由于心室壁、乳头肌和周围解剖结构之间的光度学相似性，心室边界分割问题一直被认为是一个难题。我们提出使用深度全卷积神经网络结构和移动网格对应算法来解决分割问题。