ACM通信
贡献的文章
AI-CHD:一种基于人工智能的低成本先天性心脏病手术远程监测框架
图片来源:Andrij Borys Associates, Shutterstock, Mario Aliaksandr
先天性心脏病(CHD)是最常见的先天性出生缺陷，一直被认为是婴儿在出生后一年内死亡的主要原因之一。1全世界每年约有1.35亿新生儿，其中超过100万出生时患有冠心病。21在上个世纪，心脏手术一直是治疗冠心病的有效方法;其显著进展降低了冠心病新生儿死亡率。10
关键的见解
然而，这种较低的死亡率主要发生在发达国家，而不是发展中国家。冠心病的外科治疗需要高技能的外科医生和复杂的基础设施和设备。虽然发达国家已经完善了冠心病的治疗50多年，但发展中国家仍处于早期阶段。据估计，仅满足全球冠心病治疗的基本需求，先天性心脏病外科医生的数量就需要增加1250倍。16这些外科医生大多居住在发达国家。因此，发展中国家的死亡率目前为20%，明显高于发达国家的3%至7%，16更不用说，由于缺乏适当的诊断，发展中国家的死亡率可能被低估。
远程手术
几十年来，远程手术一直是一个活跃的领域，有经验的外科医生可以远程指导机器人(远程机器人)或指导缺乏经验的外科医生(外科远程手术)。8它使高质量的外科专业知识能够从发达国家的外科医生转移到发展中国家的外科医生，或从高端城市医疗中心转移到发展中国家的农村医院。
远程机器人技术使外科医生能够以主从关系远程控制机器人。两个地点都采用了稳定的摄像系统。在机器人位置，多个摄像头构建手术场的虚拟图像，提供给外科医生位置。在手术现场，多个摄像头和3D成像系统捕捉到外科医生的手部动作，这些动作被发送到机器人现场，并由在患者身上操作的机器人进行模拟。图像和动作需要实时传输，但较大的延迟可能会影响外科医生的表现，甚至导致手术失败。远程机器人还可以让外科医生在进行一些需要精细动作的精细手术时舒服地坐着。然而，由于远程机器人的高要求和潜在的风险，其临床应用非常有限。只有几个系统，包括达·芬奇14宙斯,13批准使用。目前，远程机器人技术仍处于早期阶段。
另一方面，外科远程指导是由专业外科医生远程指导缺乏经验的外科医生组成的。这种指导是通过实时音频和视频传输实现的。因此，两位外科医生可以实时讨论手术过程，专家外科医生可以根据实时的手术过程视频流提供精确的指导。外科远程教学可以在农村地区和恶劣的环境中进行，不仅用于困难的手术，也用于外科教育。和远程机器人一样，外科远程定位也需要实时数据传输。幸运的是，4G和5G通信技术使这种跨越距离成为可能。由于传输质量的提高，外科远程定位技术在临床应用中得到了广泛的采用和探索，而且与远程机器人相比，该技术具有更小的潜在风险。11
图1。外科远程指导:通过实时视频和音频流提供技术协助和指导。
虽然也处于早期阶段，但由于其相对较低的成本和较低的技术复杂性，外科远程定位仍然比远程机器人更为成熟。然而，冠心病的外科远程定位仍面临挑战。首先，治疗冠心病的心脏外科手术是相当复杂的，通常被认为是外科手术皇冠上的宝石。因此，冠心病的诊断和手术计划通常是耗时和昂贵的;向发展中国家或农村地区提供这种专门知识往往是时间和成本上的限制。例如，检查一个冠心病患者的医学图像甚至需要一个非常有经验的放射科医生几个小时，而对于普通心脏病来说，这个时间通常是几分钟。其次，发展中国家或农村地区的机器质量和操作技能可能有限，导致在非理想环境下成像质量低等问题。
AI-CHD
降低成本的一个潜在解决方案是使用人工智能(AI)从医学图像自动构建精确的心脏3D模型，这是冠心病手术远程建模中一个关键但耗时的过程。在手术前，该模型可以通过3D打印或虚拟现实(VR)技术帮助远程手术计划和讨论。在手术过程中，通过2D屏幕观看模型可以促进外科医生和新手之间的交流，从而提高手术效率。
我们的新解决方案是一个名为AI-CHD的基于人工智能的框架，旨在基于3D计算机断层扫描(CT)图像构建精确和高效的心脏模型，用于手术远程定位冠心病。考虑到中低端机器或技能有限的用户获取的CT图像中的工件类型和模式可能与标准训练集中的工件类型和模式不同，该框架首先利用弱监督的方式去除CT图像中的工件，不需要事先的训练集。此外，考虑到冠心病患者的心脏在没有局部组织变化的情况下表现出较大的结构变化和/或较大的血管连接，该框架随后部署了混合深度学习和图分析来处理模型构建。我们用收集到的数据集评估每一步，用案例研究评估整个系统。
图2。AI-CHD的整体流程。
医学图像伪影去除。医学图像表现出各种类型的伪影，有不同的模式和混合，这取决于许多因素，包括扫描设置、机器条件、患者的大小和年龄、周围环境等。这个问题在发展中国家的农村地区很常见的中档和低端CT成像设备上更加严重，这些设备通常由技术水平较低的技术人员操作。另一方面，现有的基于深度学习的医学图像伪影减少方法受特定训练数据的限制，这些训练数据包含了预先确定的伪影类型和模式，难以独家捕获所有可能性。因此，它们只能在训练数据定义的场景下很好地工作。在这一步中，我们利用了深度学习的力量，但没有使用预先训练的网络来减少医疗伪影。具体地说，在测试时，我们使用从输入图像合成的数据训练一个轻量级的、特定于图像的伪象减少网络。在不需要任何事先训练数据的情况下，我们的方法可以处理几乎所有包含不同或未知伪影的医学图像。
伪影减少的主要流程包括两个模块:伪影合成和伪影去除。3.在第一个模块中，放射科医生需要从3d输入CT图像中标注10-20个感兴趣的区域(RoI)。这些RoI被进一步用来训练一个轻量级的五层合成网络，该网络合成了大量成对的补丁。注意，由于不同的医学图像具有不同的像素值范围，我们对像素值进行规范化，使每个像素值都在0到1之间。通过合成配对补丁，理论上可以训练任何现有的基于cnn的伪迹减少网络。然而，这里的一个关键问题是我们在每个输入图像上执行任务。深度和复杂的网络可能需要许多数据对和长时间的训练。另一方面，较小的网络可能无法达到预期的性能。因此，在第二模块中，我们求助于artifact-removal网络-一个紧凑的，细心的生成网络架构，可以特别注意工件，并对其进行对抗训练，以实现更快的收敛。它通过一个两步注意-循环网络和一个10层上下文自编码器来减少工件并恢复被工件阻碍的信息。训练后，伪影去除网络应用于三维体的所有切片进行伪影减少。
我们的方法的基础是，大多数医学图像中的伪影呈现局部模式——也就是说，它们不均匀地覆盖整个图像。几乎总是可以在图像中识别“干净”区域(带有少量工件)和“脏”区域(带有重要工件)。这使得从带有工件的图像中合成成对的、干净的训练补丁成为可能。此外，由于单幅图像内部的视觉熵比一般外部图像集合中的视觉熵小得多，30.合成的训练数据不需要很大，关联的伪体约简网络紧凑，收敛速度快。
AI-CHD是一种精确的、基于人工智能的CHD手术远程监测框架，通过计算机科学家、放射科医生和外科医生之间的深入合作开发。
我们用包含不同级别泊松噪声的CT图像评估这一步的性能，这些图像由我们的宽探测器，256层MDCT扫描仪收集，覆盖8厘米，使用以下协议:准直，(96-128)X0.625 mm;旋转时间，270毫秒，对应135毫秒的标准时间分辨率;切片厚度，0.9 mm;重构区间为0.45 mm。采用自适应轴向z-准直法优化颅尾长度。数据在40%-50%的RR区间内获得，在45%的相位附近使用5%的相位公差。所有CT图像都由我们的放射科医生在结构保存和伪影水平上进行定性评估。在定量评价方面，由于缺乏基础事实，我们采用了大部分现有的工作24，28然后在放射科医生感兴趣的区域中选择最均匀的区域。区域内像素的标准偏差(工件级别)应该尽可能低。
我们的方法对每个患者的图像进行训练和测试，不涉及预先训练。我们将我们的方法与最先进的、基于深度学习的、基于周期一致对抗去噪网络(CCADN)的医疗图像伪影减少方法进行比较，9它是按照完全相同的报告设置进行训练的。CCADN的CT训练数据集包含10万个图像补丁。我们考虑了两种理想情况，即测试图像只包含泊松噪声水平(如训练集中的那些)和非理想情况，即测试图像具有更高的噪声水平。图3(一个)显示结果。定性上，我们的方法和CCADN在理想和非理想情况下都能很好地保存结构。我们的方法优于CCADN，即使是在CCADN训练的降噪水平上(即CCADN中的区域)图3 (a) (1)．在定量上，我们的方法在理想和非理想情况下都优于CCADN，达到了高达29.2%的低标准差和18.6%的平均。
图3。AI-CHD的逐步表现。
虽然我们的方法在每个测试图像上进行训练和测试，但由于内部视觉熵带来的网络复杂度显著降低，收敛速度更快，因此与CCADN相比，我们的方法的执行时间几乎相同。
医学图像分割。冠心病通常伴随着心脏结构和大血管连接的显著变化，这使得一般的全心和大血管分割方法成为可能18，22在正常解剖中无效。现有的分割方法大多只针对冠心病目标血池和心肌。23，29最近，CHD的半自动分割也在探索中，17需要用户定位初始种子。然而，全心和大血管的全自动分割在冠心病的文献中仍然是一个缺失的部分。受在几个具有较大变化的应用中成功进行图匹配的启发，12我们建议结合深度学习25和图形匹配的全自动全心和大血管分割冠心病。26特别是，我们利用深度学习来分割四个心室和心肌，然后是血池，其中的变化通常很小，精度可以很高。然后提取血管连接信息，并应用图匹配来确定所有血管的类别。
全心和大血管分割的整体流程——左心室(LV)、右心室(RV)、左心房(LA)、右心房(RA)、心肌(Myo)、主动脉(Ao)和肺动脉(PA)——包含两个模块:全心分割和大血管分割。在全心分割中，首先提出了RoI裁剪，以提取包括心脏及其周围血管的区域。我们将输入图像的大小调整为64X64X64的低分辨率，然后采用与Payer等人相同的基于分割的提取。18来获得RoI。然后将RoI调整为64X64X64，并将其送入3D U-net5分割。
在大血管分割中，使用二维u网对输入的每个二维切片进行血池分割19输入大小为512X512。注意，为了检测血池边界以便在以后的图匹配中提取图，我们在分割中添加了另一个类:血池边界。利用高分辨率的血液分割，通过细化心室和心肌边界，实现全心分割的心室和心肌细化。大血管分割通过去除低分辨率全心分割对应的血池，得到大血管对应的血池，通过图匹配识别Ao、PA和异常血管。
为了进行评估，我们收集了一个数据集，由68个由西门子Biograph 64机器捕获的3D CT图像组成。相关患者年龄1个月至21岁，以1个月至2岁居多。图像的大小为512X 512X(130-340)，典型的体素大小为0.25X0.25X0.5 mm3.．数据集涵盖14种类型的冠心病，包括6种常见的类型——心房间隔缺损(ASD)、房室间隔缺损(AVSD)、动脉导管未闭(PDA)、肺狭窄(PS)、心室间隔缺损(VSD)和心室缩窄(CA)，以及8种不太常见的类型——法洛四位术(ToF)、大动脉转位(TGA)、肺动脉吊带(PAS)、异常引流(AD)、共同动脉干(CAT)、主动脉弓异常(AAA)、单心室(SV)、和肺闭锁(PuA)。
数字最先进的Seg-CNN方法的Dice评分的均值和标准差(SD)18我们的方法(in %)用于全心和大血管分割的七个子结构。
所有的标记都是由有经验的放射科医生完成的，每张图像的标记时间为2 - 3小时。这些标签包括七个子结构:LV、RV、LA、RA、Myo、Ao和PA。为了便于处理，腔静脉(VC)和肺静脉(PV)也分别被标记为RA和LA的一部分，因为它们是相连的，它们的边界比较难定义。根据其连接关系，异常血管也被标记为上述七个子结构之一。与Seg-CNN的比较18表中所示。我们的方法可以在几乎相同的标准差下，在七个子结构中获得5.8%到19.2%的平均Dice得分(平均高出12%)。Ao的改进最高，因为它的图连接简单，图匹配成功。心肌的改进最小，因为在高分辨率血池分割中没有很好地考虑到这一点。图3 (b)展示了使用我们的方法和Seg-CNN的CAT分割的可视化。我们的方法可以清晰地分割Ao和PA，但PA和LA之间有轻微的分割错误。而Seg-CNN将Ao的主要部分分割为PA，因为U-net的像素级分割只基于周围的像素，没有很好地利用连接信息。
实时视频和音频传输
实时视频和音频传输也是外科远程定位的重要组成部分。这种传输需要高数据速率和低延迟，以便实时做出重要决策，避免潜在的并发症。此外，在手术室中，无线传输总是优于有线传输。目前最常见的无线传输方式是4G，其延迟约为50毫秒，平均数据速率为10 mbps。这种中等的传输质量和速度可以支持较不复杂的远程监测程序，如成瘾管理20.和培训。2
5G无线通信正在兴起，提供大约10毫秒的延迟(特殊情况下1毫秒)和更高的平均50 Mbps的数据速率。如此高的传输质量使得许多复杂的手术成为可能，包括肠肿瘤手术，15摘除实验动物的肝脏，6腹腔镜胆囊切除术,27还有胆囊手术。4然而，可能是由于其极高的复杂性和高风险，手术远程定位在冠心病的心脏外科应用中尚未见报道。
AI-CHD案例研究
2019年4月3日，在广东省人民医院(GPPH)和高州市人民医院(PHG)的合作下，我们使用AI-CHD完成了中国首个基于5g的心脏远程定位手术。广东移动通信集团和华为提供5G能力。AI-CHD生成了患者精确的心脏模型，用于术前规划和训练，并在手术过程中进行实时指导。
患者格林女士(化名)，41岁，来自广东高州，出现呼吸短促、胸痛、行走困难和失眠的症状。她在PHG被诊断为房间隔缺损(ASD)伴三尖瓣功能不全，严重肺动脉高压和心衰。ASD是一种中等类型的冠心病，可以在年轻时通过相对简单、低风险的手术治疗;然而，由于她居住的农村地区缺乏筛查，她的病情没有被发现。而且，未经治疗的ASD还会导致其他症状，如严重的肺动脉高压和心力衰竭。因此，她的病情从一个相对简单的冠心病变成了一个复杂的冠心病。只有手术才能挽救她的心脏。
由于地处欠发达地区，PHG外科医生只有传统的开胸手术经验，这是一种风险较高的手术，尤其是对格林这样长期遭受痛苦的病人。首选微创、低风险手术。然而，格林必须要走250英里(约合448公里)的路程，才能到达中国最大的心脏医疗中心之一GPPH，以及最近的有外科医生能够进行如此复杂手术的医院。考虑到格林女士身体虚弱，这次旅行是不可行的。因此，远程建模是最合适的方法。经过综合讨论和分析，GPPH心脏外科主任医师郭慧明医生同意担任本次手术的telementor。郭医生在微创手术方面具有丰富的专业知识，在冠心病的外科治疗方面享誉国际。
在Green女士手术前，我们首先从PHG收集了她的3D心脏CT图像。AI-CHD制作了她的3D心脏模型，看图4 (a)，临床可接受的手术准确性为0.81 (Dice评分)。运行时不到两分钟，比手动分割快得多——手动分割可能需要两到三个小时甚至更长时间——因此显著降低了成本。利用三维心脏模型，进行手术计划和训练。如图4 (b)首先用3D打印机打印出心脏模型(肺动脉和肺静脉的薄血管被移除，因为它们与手术无关)。打印出来的模型提供了心脏外观和结构的直观视图，并显示了问题所在。郭医生使用打印模型与他的团队和远程团队的其他成员讨论手术计划。计划确定后，通过VR进行虚拟手术训练，如图所示图4 (c)．
图4。AI-CHD案例研究。
如在图4 (d)在美国，虚拟现实技术使医生能够放大或缩小特定的心脏结构，包括它的内部结构，并进行虚拟手术，如输液和缝合作为实践。这样郭医生可以全面了解远程监护的手术，并确定最佳的手术/参数，进行有效的指导。
在AI-CHD的帮助下，郭医生确认了手术方案和详细过程后，格林女士的手术远程模拟于2019年4月3日上午9点35分开始。图4 (d)展示了GPPH指导团队和PHG实际手术的照片。该手术具有四种实时视频流:外科医生的视图、相应的心脏VR视图、遥测者(郭医生)和手术室。由于这是中国首例冠心病远程监测手术，来自心脏外科、心脏超声和心脏影像科的医生都到场观察了这一事件，如远程监测视图所示。
基于外科医生的实时视图和相应的VR场景，郭医生可以很容易地识别心脏的当前视图，并通过实时音频流提供即时指导。例如，当确定心包的开口点时，外科医生问:“心包应该在这里打开吗?”郭医生立即回答:“向上移动三厘米。”对于手术中的缝合，也是手术的关键环节，郭医生提醒术者，“缝合时不要太靠近科赫三角;否则容易造成心肌损伤，阻碍心跳节律传导。”科赫的三角形是用VR视频绘制的，并实时向250英里外的手术室里的外科医生展示。
在整个远程监控过程中，视频流的传输速率稳定在25 Mbps左右，延迟为30毫秒。手术进行得很顺利，下午1点结束。她的心脏被缝合，格林女士的心脏恢复了跳动，在恢复一周后，她出院了。术后复查肺动脉压及二尖瓣返流均在正常范围内。截至本文撰写时(2019年12月1日)，患者健康状况良好。我们的案例研究在中国一些最大和最有影响力的新闻机构得到了广泛的媒体报道，包括新华社28而且《环球时报》。7
期待
这是我们团队中计算机科学家、心脏外科医生和放射科医生合作的第三年。最初的心脏CT图像伪影减少和分割工作，逐渐演变为三维心脏模型构建的整体系统。未来，除了进一步优化AI-CHD外，我们计划在以下四个有前景的领域探索CHD的自动化和低成本治疗:
jazz感知性的富分割。目前的方法涉及两个步骤:工件减少和分割。然而，通过在一个步骤中直接对有噪声的图像进行分割，可以提高效率，如图5(一个)．我们相信这是有前途的，有两个原因:首先，工件通常显示一些模式，使捕获和删除它们并在一个神经网络中联合分割目标成为可能。其次，虽然获取训练数据集可能是一个问题，但我们可以使用我们的伪迹减少方法或其他现有的方法来获得干净的图像，然后进行手动标记。
图5。AI-CHD在医学图像伪影减少和分割方面的未来工作:伪影感知分割(a)直接对有噪声的图像进行分割，而不是先减少伪影再进行分割;图形感知分割(b)考虑薄血管之间的图形信息以进行精确分割。
Graph-aware分割。我们的方法和其他现有的方法在正确分割薄血管，特别是薄PA血管方面仍然存在挑战。主要原因是这些船舶之间丰富的连接信息没有得到很好的利用。如图5 (b)，我们可以从血池分割结果和全心、大血管分割结果中提取这些细血管的图来表示连接信息。然后，同时考虑分割和连接信息的图感知分析可以得到更准确的分割结果。
自动诊断。冠心病的准确诊断比伪影减少和分割更有意义。发展中地区缺乏冠心病诊断经验，导致许多病例诊断不正确，无法及时治疗。16为了获得能够做出这种诊断的专业知识，放射科医生需要10年以上的培训，这可能是耗时和昂贵的。即使是经验丰富的放射科医生也可能需要长达半小时的时间来诊断冠心病患者。因此，冠心病自动诊断是首选的，因为它能够提供大规模、高质量、低成本的医疗服务。为了临床可接受，冠心病自动诊断还需要报告诊断的特征或原因，并附带置信度评分。放射科医生可以更容易地验证结果;低置信度分数表示需要人工诊断的病例。
自动手术计划。由于冠心病的结构变化很大，有几十种手术方法，每一种方法都包含了开口处、切口大小、方向等参数。目前，外科医生根据自己的经验制定方案，这可能是也可能不是最佳的预后选择。我们将进一步扩展AI-CHD，实现精确的自动手术计划，实现最佳治疗。
结论
AI-CHD是一种精确的、基于ai的CHD手术远程定位框架。它是通过计算机科学家、放射科医生和外科医生之间的深入合作开发的。该技术使冠心病患者的心脏模型构建具有成本效益和及时性，这有助于放射科医生和外科医生在冠心病手术中实施有效的手术计划和培训，如案例研究所示。AI-CHD可以在降低成本的同时提高发展中国家和地区冠心病手术远程远程监护的质量。
致谢
本研究获得广东省医学科学院广东省总医院科研伦理委员会批准，批准文(20140316)。国家重点研发计划项目(2018YFC1002600)、广东省科技计划项目(No.2017B090904034、2017B030314109、2018B090944002、2019B020230003)、广东高峰项目(DFJH201802)、国家自然科学基金项目(No.62006050)资助。
参考文献
1.伯尼尔,P-L。，Stefanescu, A., Samoukovic, G., and Tchervenkov, C.I. The challenge of congenital heart disease worldwide: Epidemiologic and demographic facts. In胸外科和心血管外科研讨会:儿童心脏外科， Elsevier(2010)， 26-34。
2.伯根，e.m.，奥格斯塔德，k.m.，帕特尔，h.r.h.，和林德塞莫，R-O。腹腔镜外科医生远程教育:一项新兴技术。世界胃肠内窥镜杂志， 5(2014)， 148。
3.陈,Y-J。，Chang, Y-J., Wen, S-C., Shi, Y., Xu, X., Ho, T-Y., Jia, Q., Huang, M., and Zhuang, J. Zero-shot medical image artifact reduction. In2020 ieee 17th实习生。计算机协会。有关生物医学影像(ISBI), 862 - 866。
4.中国外科医生利用5G技术进行远程手术。《印度时报》(2019年6月11日)，https://timesofindia.indiatimes.com/world/china/chinese-surgeons-conduct-remote-surgery-using-5g-technology/articleshow/69742530.cms．
5.克,O。，Abdulkadir, A., Lienkamp, S.S., Brox, T., and Ronneberger, O. 3D U-Net: Learning dense volumetric segmentation from sparse annotation. In实习生。医学图像计算与计算机辅助干预会议。施普林格(2016)，424-432。
6.外科医生在中国对动物进行了世界上第一个使用5G手术的远程手术。独立的(2019年1月17日)，https://www.independent.co.uk/life-style/gadgets-and-tech/news/5g-surgery-china-robotic-operation-a8732861.html．
7.首个在华为技术支持下完成的AI+5G手术。《环球时报》(2019),http://www.globaltimes.cn/content/1144600.shtml．
8.黄，E.Y，奈特，盖特，C.R，戴维斯，C.H，莫勒，M.，斯拉玛，E.和克兰德尔，M.外科专业的远程医疗和远程教学:叙述性回顾。美国外科杂志218， 4(2019)， 760-766。
9.姜娥，古慧娟，杨德华，徐建斌，叶建昌。用于多期冠状动脉CT血管造影的循环一致对抗去噪网络。(2018)， arXiv预印本:1806.09748。
10.堪萨斯州肯普尼，堪萨斯州迪莫普洛斯，阿肯色州尤宾，佐治亚州迪勒，G-P。，Rosendahl, U., Belitsis, G., Gatzoulis, M.A., and Wort, S.J. Outcome of cardiac surgery in patients with congenital heart disease in England between 1997 and 2015.PLoS One 12， 6 (2017)， e0178963。
11.莱西，a.m.， Bravo, R, Otero-Piñeiro, a.m.， Pena, R, De莱西，f.b.， Menchaca, R，和Balibrea, J.M.。英国外科杂志， 12(2019)， 1576-1579。
12.Lajevardi, s.m.， Arakala, A. Davis, S.A.和Horadam, K.J.基于生物特征图匹配的视网膜验证系统。IEEE图像处理汇刊， 9(2013)， 3625-3635。
13.Marescaux, J.和Rubino, F. ZEUS机器人系统:实验和临床应用。外科诊所83， 6(2003)， 1305-1315。
14.Nifong, l.w.， Chu, v.f.， Bailey, b.m.， Maziarz, d.m.， Sorrell, v.l.， Holbert, D，和Chitwood, Jr, W.R.机器人二尖瓣修复:达芬奇系统的经验。胸外科年鉴75， 2(2003)， 438-443。
15.世界上第一个5g动力手术:安东尼奥·德·莱西医生。世界纪录学院(2019),https://www.worldrecordacademy.org/medical/worlds-first-5g-powered-surgery-dr-antonio-de-lacy-219142．
16.Ntiloudi, D.， Giannakoulas, G.， Parcharidou, D.， Panagiotidis, T.， Gatzoulis, m.a.，和Karvounis, H.成人先天性心脏病:流行病学变化的范式。国际心脏病学杂志218(2016), 269 - 274。
17.Pace, D.F, Dalca, a.v.， Brosch, T.， geeva, T.， Powell, a.j.， Weese, J.， Moghari, m.h.，和Golland, P.有限训练数据的迭代分割:在先天性心脏病中的应用。在医学图像分析中的深度学习和临床决策支持中的多模态学习。施普林格(2018)，334-342。
18.Payer, C.， Štern, D.， Bischof, H.和Urschler, M.使用cnn和解剖标签配置的多标签全心分割。在实习生。心脏统计地图集和计算模型研讨会。施普林格(2017)，190-198。
19.Ronneberger, O.， Fischer, P.和Brox, T. U-net:用于生物医学图像分割的卷积网络。在实习生。医学图像计算与计算机辅助干预会议，施普林格(2015)，234-241。
20.Sagi, m.r.， Aurobind, G.， Chand, P.， Ashfak, A.， Karthick, C.， Kubenthiran, N.， Murthy, P.， Komaromy, M.和Arora, S.为远程初级保健医生提供成瘾管理的创新远程教学:一项可行性研究。印度精神病学杂志， 4(2018)， 461。
21.Van Der Linde, D.， Konings, e.e.m.， Slager, M.A, Witsenburg, M.， Helbing, W.A, Takkenberg, J.J.M，和Roos-Hesselink, J.W.世界范围内先天性心脏病出生患病率:一项系统综述和荟萃分析。美国心脏病学会杂志， 21(2011)， 2241-2247。
22.Wang C.， MacGillivray, T.， Macnaught, G.， Yang, G.，和Newby, D.一种用于全分辨率图像多类分割的两阶段3D Unet框架。(2018)， arXiv预印本:1804.04341。
23.Wolterink, j.m.， Leiner, T, Viergever, M.A, iigum, I.用于先天性心脏病心血管MR分割的扩张卷积神经网络。在医学图像的重建、分割与分析。施普林格(2016)，95-102。
24.Wolterink, j.m.， Leiner, T.， Viergever, m.a.和iigum, I.生成对抗网络用于低剂量CT降噪。IEEE医学影像汇刊36, 12(2017)， 2536-2545。
25.徐晓霞，刘启群，杨丽娟，胡树生，陈德明，胡玉莹，石玉莹。用于精确生物医学图像分割的全卷积网络量化。在IEEE计算机视觉与模式识别会议论文集(2018), 8300 - 8308。
26.徐晓霞，王婷婷，石玉莹，袁宏华，贾庆青，黄明明，庄杰。基于深度神经网络和图匹配的先天性心脏病全心和大血管分割。在实习生。医学图像计算与计算机辅助干预会议，施普林格(2019)，477-485。
27.中国中部开展5G远程手术。新华社(2019),http://www.xinhuanet.com/english/2019-06/11/c_138134223.htm．
28.杨强，闫鹏，张玉玉，于宏华，石玉玉，牟晓霞，Kalra, M.K，张玉玉，孙丽娟，王刚，基于Wasserstein距离和感知损失的生成对抗网络低剂量CT图像去噪。IEEE医学影像汇刊(2018)。
29.于，丽，杨，X，秦，J，恒，P-A。3D FractalNet:心血管MRI体积的密集体积分割。在医学图像的重建、分割与分析。施普林格(2016)，103-110。
©2021 acm 0001-0782/21/12
允许为个人或课堂使用部分或全部作品制作数字或硬拷贝，但不得为盈利或商业利益而复制或分发，且副本在首页上附有本通知和完整的引用。除ACM外，本作品的其他组件的版权必须受到尊重。允许有信用的文摘。以其他方式复制、重新发布、在服务器上发布或重新分发到列表，都需要事先获得特定的许可和/或费用。请求发布的权限permissions@acm.org传真(212)869-0481。
数字图书馆是由计算机协会出版的。版权所有©2021 ACM, Inc.
没有找到条目