キム、RJ 他急性心筋梗塞後の左心室質量と梗塞サイズおよび左心室駆出率との関係。 J.Am.コル。カーディオール。 35、33–41 (2000)。
Google スカラー
Kramer, CM、Barkhausen, J.、Flamm, SD、Kim, RJ & Nagel, E. 標準化された心臓血管磁気共鳴画像法 (CMR) プロトコル、心臓血管磁気共鳴協会: 標準化プロトコルに関する理事会タスクフォース。 J. Cardiovasc.マグニチュードレゾン。 15、1–12 (2013)。
Google スカラー
Gulati, A. et al.非虚血性拡張型心筋症患者における線維症と死亡および心臓突然死との関連性。 自工会 309、896–908 (2013)。
Google スカラー
ディセルトリ、M. et al. lge による心筋線維症の評価は、虚血性心筋症および非虚血性心筋症における心室頻脈性不整脈の強力な予測因子です: メタアナリシス。 円心臓血管。イメージング 4、548–556 (2011)。
Google スカラー
Li, C.、Weng, X.、Li, Y.、Zhang, T. マルチモーダル学習エンゲージメント評価システム: 学習エンゲージメントを最適化する革新的なアプローチ。 内部。 J. ハム。計算します。交流する。 41、3474–3490 (2025)。
Google スカラー
フレット、AS et al.心臓磁気共鳴を使用した、さまざまな病因の心筋瘢痕の定量化技術の評価。 J.Am.コル。カーディオール。 57、986–996 (2011)。
Google スカラー
Zabihollahy, F.、Ukwatta, E.、Rajchl, M.、White, JA & Ukwatta, T. 完全畳み込みネットワークを使用した後期ガドリニウム増強 MR 画像からの左心房線維症と瘢痕の自動セグメンテーション。 医学。アナル画像。 57、219–229 (2020)。
Google スカラー
Duan、J. et al.深層学習を使用した lge MRI での自動瘢痕セグメンテーション: 最先端かつ未解決の課題。 フロント。心臓血管。医学。 9、863716 (2022)。
Google スカラー
ウォルファルト、P. et al.心血管磁気共鳴による瘢痕の定量化: 最先端の技術と将来の方向性。 心臓 107、1452–1459（2021）。
Google スカラー
Wang、W.ら。 Scarnet: LGE-MRI における心筋瘢痕セグメンテーションの基礎モデル。 arXiv (2025年)。
Amado, LC et al.犬の心筋梗塞モデルにおける造影磁気共鳴イメージングによる正確かつ客観的な梗塞サイズの測定。 循環 110、834–840 (2004)。
Google スカラー
Zhong, J.、Fang, X.、Yang, Z.、Tian, Z. & Li, C. Skybound マジック: 軽量のビジョンとポーズのインタラクション フレームワークを通じて、身体のみのドローン操縦を可能にします。 内部。 J. ハム。計算します。交流する。 0、1–31 (2025)。
Google スカラー
Cochet、H.ら。瘢痕の範囲と位置: 心房細動患者の左心房の LGE-MRI による定量的評価。 J. Cardiovasc.電気物理学。 26、610–618 (2015)。
Google スカラー
Zhuang, X.、Rhode, K.、Razavi, R.、Hawkes, DJ & Ourselin, S. CT 画像上の心臓全体のセグメンテーションのための登録ベースの伝播。で 医用画像コンピューティングとコンピュータ支援介入 (MICCAI)、425–432 (Springer、2010)。
Li, C.、Kao, C.-Y.、Gore, JC & Ding, Z. ローカル画像フィッティング エネルギーによって駆動されるアクティブ輪郭モデル。 IEEEトランス。画像処理。 15、865–877 (2006)。
Google スカラー
Ronneberger, O.、Fischer, P. & Brox, T. U-Net: 生物医学画像セグメンテーションのための畳み込みネットワーク 234–241 (2015)。
チェン、J.ら。 Transunet: トランスは医療画像セグメンテーション用の強力なエンコーダを作成します。 arXiv （2021年）。
Isensee, F.、Jaeger, P.、Kohl, S.、Petersen, J. & Maier-Hein, K. nnU-Net: 深層学習ベースの生物医学画像セグメンテーションのための自己構成手法。 ナット。メソッド 18、203–211（2021）。
Google スカラー
Bai, W. et al.ネットワークベースの心臓 MR 画像セグメンテーションのための半教師あり学習。 医学。アナル画像。 36、54–63 (2017)。
Google スカラー
タジバクシュ、N. 他不完全なデータセットの受け入れ: 医療画像セグメンテーションのための深層学習ソリューションのレビュー。 医学。アナル画像。 63、101693（2020）。
Google スカラー
Chartsias, A.、Joyce, T.、Giuffrida, MV & Tsaftaris, SA Scargan: 心臓血管 MR スキャンで病理学的組織をシミュレートするための連鎖型敵対的生成ネットワーク。で 医用画像処理におけるシミュレーションと合成、147–157 (Springer、2018)。
Park, JJ、Florence, P.、Straub, J.、Newcombe, R. & Lovegrove, S. Deepsdf: 形状表現のための連続符号付き距離関数の学習。で 手順コンピュータービジョンとパターン認識 (CVPR) に関する IEEE カンファレンス 165–174 (IEEE/CVF、2019)。
Bayer, JD、Blake, RC、Plank, G. & Trayanova, NA 患者固有の形状における心臓線維配向のモデリング: ルールベースのアプローチ。 バイオメッド。工学オンライン 11、1–21 (2012)。
Google スカラー
Pfeiffer、ER、Tangney、JR、Omens、JH & McCulloch、AD 心臓の電気機械結合と機械電気フィードバックの生体力学。 Ｊ．Ｂｉｏｍｅｃｈ．工学 136、021007 (2014)。
オクテイ、O.ら。解剖学的制約ニューラル ネットワーク (ACNN): 心臓画像強調およびセグメンテーションへの応用。 IEEEトランス。医学。イメージング 37、384–395 (2017)。
Google スカラー
Mosinska, A.、Marquez-Neila, P.、Kozinski, M. & Fua, P. トポロジーを意識した描写のためのピクセル単位の損失を超えて。で 手順コンピュータービジョンとパターン認識 (CVPR) に関する IEEE カンファレンス、3136–3145 (IEEE/CVF、2018)。
Zhuang、X.ら。後期ガドリニウム造影 MRI での心臓セグメンテーション: マルチシーケンス心臓 MR セグメンテーションの課題からのベンチマーク研究。で 心臓の統計アトラスと計算モデル。マルチシーケンス CMR セグメンテーション、心筋梗塞、および瘢痕セグメンテーションの課題、161–170 (Springer、2020)。
Zhuang、X.ら。マルチシーケンス心臓磁気共鳴画像を組み合わせた心筋病理セグメンテーション。で 心臓の統計アトラスと計算モデル。マルチシーケンス CMR セグメンテーション、心筋梗塞、および瘢痕セグメンテーションの課題、140–151 (Springer、2021)。
Zhuang、X.ら。 MS-CMRSeg チャレンジ: 完全に自動化された心筋および瘢痕セグメンテーションのためのマルチシーケンス心臓 MR セグメンテーション。で 心臓の統計アトラスと計算モデル。マルチシーケンス CMR セグメンテーション、心筋梗塞、および瘢痕セグメンテーションの課題、154–163 (Springer、2020)。
Isensee, F.、Jaeger, PF、Kohl, SAA、Petersen, J. & Maier-Hein, KH nnU-Net: 深層学習ベースの生物医学画像セグメンテーションのための自己構成手法。 ナット。メソッド 18、203–211（2021）。
Google スカラー
#ScarElastic #LGECMR #における心筋瘢痕描写のための連続弾性場モデリング