本研究使用深度学习模型生成患者特异性体积网格和直接估计血流动力学数据，在简化博弈过程的同时，提供更高效的计算流体力学模拟和分割方法。

Feb, 2024

基于深度学习的方法从冠状动脉 CTA 扫描中预测冠状动脉沿程血流储备指数（FFR），为快速准确、自动化的 FFR 预测铺平了道路。

Aug, 2023

冠状动脉疾病是欧盟和美国最常见的死因之一，其中关键的生物标志物是分数流量减少 (FFR)，通过侵入性诊断技术冠状动脉造影获得其体内测量。为了解决侵入性的缺点，近年来出现了一种名为虚拟 FFR (vFFR) 测量的新方法。本文中，我们探讨了使用深度学习技术作为替代 CFD 引擎模型在冠状动脉 vFFR 估计中的任务中，以极大地减少所需时间和计算成本而不会显著降低质量的方法。我们提出了一种新颖的 vFFR 估计方法，通过将输入血管几何表示为点云，并利用学习几何表示的混合神经网络，基于明确和隐式给定的特征。我们从临床角度评估了该方法，并展示它可以作为常用的基于 CFD 的方法的有力替代。

Apr, 2024

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。

Oct, 2022

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

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

我们提出了一种新颖的体系结构 SAM-VMNet，它结合了 MedSAM 的强大特征提取能力和 VM-UNet 的线性复杂性视觉状态空间模型的优势，具有更快的推理速度和更强的数据处理能力，实现了 CTA 图像的更高分割准确性和稳定性。

Jun, 2024

动脉粥样硬化是一种影响大动脉的慢性炎症性疾病；使用深度学习模型分割 CTA 图像中的血管系统以及计算血管钙化程度的 Metric，可提供医学专业人员对腹主动脉和膝下的钙化进行快速准确的评估。

Nov, 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

我们提出了点云变形网络（PCD-Net）作为一种新颖的几何深度学习方法，用于模拟心脏循环极端端点之间的三维心脏收缩和舒张过程。我们对来自英国生物库研究（UK Biobank study）中超过 10,000 例数据集进行评估，发现预测值与实际解剖结构之间的平均 Chamfer 距离小于图像获取的像素分辨率。此外，我们观察到预测值与实际群体之间的类似临床指标，并且证明了 PCD-Net 能够成功捕捉正常受试者和心肌梗死（MI）患者之间的亚人群特异性差异。然后，我们证明了学习到的三维变形模式在预测患有 MI 的面前 MI 检测和潜在 MI 预测任务方面优于多个临床指标，对于 MI 生存分析的 Harrell's concordance 指数提高了 7%。

Jul, 2023