使用深度学习和任务特定中心线标注的 CAD-RADS 评分
本研究提出了一种快速、准确的冠状动脉疾病筛查和评估方法,基于深度学习和多轴视觉变压器架构,自动对计算机断层扫描成像进行分类和评分,并不需要人工干预。
Apr, 2023
多任务深度学习模型用于冠状动脉计算机断层扫描(CCTA)患者风险分层和下游测试选择。模型在冠状动脉疾病风险分层和预测下游测试方面取得了良好的准确性,并能在临床实践中对风险分层和治疗带来新的变革。
Sep, 2023
通过基于深度学习的系统在普通胸部 X 线上识别亚临床动脉硬化,开发了一个预测冠状动脉钙化分数的深度学习算法,在内、外部验证中表现出良好的诊断准确性和预测动脉粥样硬化心血管疾病事件的负预测价值。
Mar, 2024
这篇论文报道了一个新的带注释的冠状动脉造影图像数据集 CADICA,给研究界提供了一个全面严谨的冠状动脉造影数据集,可用于临床医生的 CAD 严重性血管造影评估技能培训以及计算机科学家创建辅助诊断系统的基础分类方法验证,为改进 CAD 检测提供了一个起点。
Feb, 2024
通过机器学习算法对冠心病风险进行分类,本研究开发了一种数据平衡和增强方法,提高了诊断准确性,对样本数量较少和数据不平衡的情况特别适用。实验结果显示,本方法的平均预测准确率为 95.36%,高于随机森林、决策树、支持向量机、逻辑回归和人工神经网络。
Aug, 2023
该研究提出了一种利用一维卷积神经网络自动识别冠状动脉 CT 血管造影中的 Shepherd's Crook Right Coronary Artery 的方法,并研究如何处理识别模糊性和标签不确定性,进而提高模型性能。
May, 2023
通过机器学习解决方案,该研究提出了一种用于冠状动脉造影图像的自动诊断的端到端解决方案,旨在在冠状动脉血管的多血管分割和狭窄病变定位方面进行基准测试。
Oct, 2023
本多中心研究旨在使用 3D 多类别 nnU-Net 验证一种自动化心脏斑块检测模型,以用于门控和非门控的非对比度胸部 CT 体积,证明了 nnU-Net 语义分割管道如何适应于检测冠状动脉和瓣膜斑块,并展示了使用线性修正时,nnU-Net 深度学习方法在胸部非对比度 CT 扫描中准确估计 Agatston 分数的能力,相较于手动的 Agatson 评分,在非门控 CT 扫描中,自动化 Agatston 评分显示了线性回归斜率为 0.841 和截距为 + 16 HU(R2 = 0.97),这些结果比先前检测自动化 Agatston 评分的工作有所改进。
Feb, 2024
冠状动脉疾病(CAD)是导致死亡和残疾的主要原因之一,其诊断常具有困难和资源密集性。本研究提出了使用伪标签作为数据增强技术来改进基线 Yolo 模型性能的想法,在验证数据集中将基线的 F1 分数提高了 9%,在测试数据集中提高了 3%。
Oct, 2023
提出了一种用于从 X 射线冠状动脉造影图中准确检测狭窄的架构和算法 StenUNet,通过结合机器学习和其他计算机视觉技术,在 ARCADE 挑战中获得第三名,测试数据集上达到了 0.5348 的 F1 得分,比第二名低了 0.0005。
Oct, 2023