Apr, 2023

多轴视觉变换器的冠状动脉 CT 血管造影 CAD-RADS 评分：一个临床启发的深度学习流程

PDF
TL;DR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。
发现论文，激发创造
  • 使用深度学习和任务特定中心线标注的 CAD-RADS 评分

    这份研究论文用深度学习算法实现了一种快速，可靠，易于实施的冠状动脉 CT 血管造影图标注方法，将冠状动脉树分成患者间一致的部分，并获得了比以前更好的诊断表现

    Feb, 2022

  • 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

  • 基于 Point Transformer 的冠状动脉标记

    该论文提供了一种基于 Point Transformer 的简单的血管标记方法，只需要冠状动脉分割，能够提高诊断效率和减少临床医生的人工劳动，在 53 位患者的实验中取得了良好的效果。

    May, 2023

  • 基于图像深度学习的胸部 X 射线亚临床动脉粥样硬化的检测

    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

  • RTN: 强化变压器网络用于冠状动脉 CT 血管级图像质量评估

    应用 T-MIL 算法和 PRID 模块解决 CCTA VIQA 难以定位的局部冠状动脉问题，提出了一种增强型变压器网络（RTN）方法，实现了自动 CCTA VIQA 并在实际数据集上表现出最先进的性能。

    Jul, 2022

  • 使用集成学习的多血管冠状动脉分割和狭窄定位

    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

  • StenUNet：X 光冠状动脉造影的自动狭窄检测

    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

  • 非对比 CT 扫描上的自动斑块检测和 Agatston 评分估计：多中心研究

    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

  • TransONet: 使用深度学习自动分割计算机断层扫描血管造影中的血管

    通过提出基于深度学习模型的方法，可以高效且准确地分割 CTA 图像中与周围动脉疾病（PAD）手术相关的下行主动脉至髂分叉和下行主动脉至膝盖部分，为医学专业人员分析血管系统健康提供了有价值的工具。

    Nov, 2023

  • TransCC: 用于冠状动脉 CCTA 分割的 Transformer 网络

    提出了一种将 Transformer 和卷积神经网络有效融合的深度学习框架 TransCC，通过引入特征交互提取模块 (FIE) 和多层增强感知器 (MEP)，提高了 CCTA 图像分割的性能，平均 Dice 系数达到 0.730，平均交并比 (IoU) 达到 0.582。

    Oct, 2023