Oct, 2022

左心耳血栓形成风险评估的几何深度学习

PDF
TL;DR本研究通过开发深度学习 (DL) 框架，仅根据患者的特定左心房附属物（LAA）几何形状来预测与血栓形成风险相关的内皮细胞活化潜力（ECAP）分布，建立在几何 DL 的最新进展基础上，该模型在综合合成和 54 个真实的 LAA 数据集上进行训练，平均平均绝对误差为 0.563。
left atrial appendagethrombogenesiscomputational fluid dynamicsdeep learningendothelial cell activation potential
发现论文，激发创造
  • 基于有符号距离场的左房耳分割和统计形状建模

    患有心房颤动的患者具有罹患缺血性中风的风险增加了 5-7 倍。本研究通过量化形态学特征并建立统计形状模型，展示了左心耳形状可以通过 5 个主成分分析模式进行量化，并且能够识别出所谓的鸡翅和非鸡翅形态的两个不同形状群集。

    Feb, 2024

  • Voxel2Hemodynamics：一种端到端的深度学习方法，用于预测冠状动脉血液动力学

    本文提出了一种基于深度学习的框架，利用计算机辅助技术快速准确地进行冠状动脉血液动力学分析， 通过迭代学习算法可以用 CCTA 图像预测冠状动脉的血液动力学分布，并与计算流体动力学分析结果相吻合，为冠状动脉疾病发展的机制揭示提供新思路。

    May, 2023

  • 使用无监督图像注册神经网络生成左心耳位移的高分辨率三维图

    提出了一个自动分割左心房的工具，通过磁共振成像技术可以精确地跟踪左心房的运动，提取位移场。

    Sep, 2023

  • 应用深度学习网络对心房心动过速的心脏电图进行分类

    本文采用深度学习方法设计了 CNN-LSTM 网络结构用于分类心房心动过速的 EGM 信号，从而提高治疗效果及减少人工标注带来的时间和误差。

    Jun, 2022

  • 基于 3D CINE MRI 和无监督神经网络的高分辨率左房位移和应变地图

    使用自动化工具 Aladdin 从高分辨率三维 Cine MRI 图像中可靠地表征左心房（LA）区域变形的无监督神经网络，生成 LA 位移矢量场和主应变数值图，发现健康组与心血管疾病（CVD）患者之间在位移幅值和主应变数值上有显著差异，并利用 LA 图谱识别个体与整体分布不一致的区域异常，该工具具有重要的临床应用潜力。

    Dec, 2023

  • 计算机断层扫描肺动脉造影影像的深度学习：一种肺栓塞检测的双重方法

    通过深度学习技术，结合关注引导的卷积神经网络和集成技术，对肺栓塞进行诊断，以提高准确度和病理捕捉率。

    Nov, 2023

  • 多任务深度学习用于准确风险分层和冠脉 CT 血管造影患者下一步预测

    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

  • 超声心动图左室射血分数的自动神经网络预测模型开发

    基于深度神经网络和集成学习的新型管线方法用于左室射血分数（LVEF）的自动准确量化，并在心力衰竭的诊断和分类中取得了与专家评估相当的效果。

    Mar, 2024

  • 使用潜变量神经常微分方程进行实时全心脏电机模拟

    本文提出了一种基于 LNODEs 的心脏数字孪生代理模型，并且使用全局敏感度分析和鲁棒参数估计，实现了未知时间系列的模拟和参数校准。

    Jun, 2023

  • 基于深度学习的冠状动脉血运背侧循环检测

    提出了一种基于深度学习的方法用于检测冠状动脉侧支循环 (CCC) 在血管造影图像中的方法，并取得了有希望的结果，可以进一步扩展为基于标志点的 CCC 检测和 CCC 定量化。

    Jan, 2024