May, 2023

处理标签不确定性：以冠状动脉 CT 血管造影中牧羊人拐杖 RCA 自动检测为例

PDF
TL;DR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。
coronary artery diseaseshepherd's crookconvolutional neural networkcoronary ct angiographylabel uncertainty
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

  • 基于神经网络的右冠动脉造影图像冠脉主导性分类

    使用基于冠状动脉的神经网络方法，利用右冠状动脉 (RCA) 血管造影图像进行心脏支配分类算法的研究并使用机器学习方法成功实现了满意的准确性，然而，在 RCA 闭塞的情况下，为了获得更高的准确性，有必要利用左冠状动脉 (LCA) 的信息并检测高度不确定的情况。

    Sep, 2023

  • 基于不确定性量化的冠状动脉语义标签的超级关联图匹配

    冠状动脉语义标记的心脏血管图匹配模型通过将两个独立图之间的动脉分支进行匹配，实现了运用部分标记的动脉段对未标记的段进行分类和冠状动脉的语义标记，从而提高了冠状动脉语义标记的准确度，并在实时临床决策中具有高效的预测能力。

    Aug, 2023

  • 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

  • 冠状动脉疾病早期诊断 AI 框架：边界 SMOTE、自编码器和卷积神经网络集成方法

    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

  • 基于深度学习的冠状动脉疾病不同病变程度分类

    通过深度学习方法及不同程度的病变对冠状动脉侵袭性血管造影图像进行二元分类的新的性能分析研究揭示了病变程度对分类性能的影响。

    Feb, 2024

  • 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

  • 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

    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

  • ConvNeXtv2 融合 Mask R-CNN 用于自动区域基于冠状动脉狭窄的检测和疾病诊断

    冠状动脉疾病的自动化检测和图像分析对诊断过程进行了有效的简化，证实了提出的模型在识别狭窄病变方面表现出色。

    Oct, 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