May, 2023

基于深度学习分类 DSA 图像序列实现卒中治疗的临床转化

PDF
TL;DR本文介绍了一种开源工具，采用机器学习技术实现数字减影血管造影（DSA）血栓检测的自动分类，并在三个临床病例中进行了测试，其模型能够正确分类 M1 分段中的所有大血管闭塞，并可以在 (接近) 实时的情况下被临床工作人员使用。
strokethrombectomymachine learningthrombus detectionclinical cases
发现论文，激发创造
  • 数字减影血管造影序列数据集和脑动脉分割的时空模型

    DSA 序列中的脑血管自动分割的研究，通过引入一个专为像素级语义分割设计的公开可访问数据集 DSCA 和一种名为 DSANet 的时空网络方法进行小血管分割，成功改进了诊断脑血管疾病的准确性。

    Jun, 2024

  • 基于 Transformer 的自监督学习用于缺血性脑卒中血栓起源的组织病理分类

    利用自我监督深度学习方法识别缺血性中风血栓来源的数字病理学研究，模型在交叉验证和测试集上取得了良好的性能，但仍需要进一步改进模型，并验证其有效性。

    May, 2024

  • 使用全幅数字病理学影像自动分类中风血栓起源

    研究提出通过整合全切片数字病理图像的数据，利用多种先进的计算机视觉模型对血栓来源进行分类的新方法，其中 SwinTransformerV2 模型表现最佳，可以在不同血管区域检测血栓的来源，有望改善缺血性卒中的诊断和治疗。

    Apr, 2023

  • 数字减影血管造影中动静脉畸形的时空解缠

    通过使用两种学习模型：基于独立成分分析的无监督机器学习方法和基于卷积神经网络的自动细分图像空间中的血管，提出的方法在 DSA 影像序列中通过突出关键信息进行自动分类血管来增强 DSA 图像序列，通过高效区分动脉和静脉为临床使用的可行解决方案。

    Feb, 2024

  • 使用深度卷积神经网络和视觉转换器对中风血栓起源的图像分类

    本研究使用四种深度神经网络架构与简单集成方法，应用人工智能技术对急性缺血性卒中心源性进行分类。

    May, 2023

  • 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

  • 基于物理信息学的时间分辨血管造影荧光剂浓度重建

    通过训练基于神经网络的模型，并结合血液流动模拟数据集，我们的方法可以重建血管内对比剂在时间和空间上的浓度变化，具有很高的准确性和鲁棒性。

    Mar, 2024

  • TSI-Net：数字减影血管造影中颅内动脉分割的时间序列图像分割网络

    我们提出了一种时间序列图像分割网络 TSI-Net，它采用了一个带有双向 ConvGRU 模块的 U 形结构，能够输入可变长度的 DSA 序列，保留过去和未来信息，并将其分割成 2D 图像。此网络在最近几年的动态支架血管内治疗中的表现显著优于其他方法，尤其是在敏感细节方面的性能提高了 3%。

    Sep, 2023

  • 脑血流动力学信号监测中的卒中预测和诊断模型

    使用机器学习技术基于血流动力学数据开发的模型能够在 30 分钟内诊断卒中亚型，在前 3 小时内预测死亡，并在短短的 15 分钟内预测卒中复发。

    May, 2023

  • 深度学习方法在脑 CT 上识别急性缺血性卒中病变的研究

    研究使用深度学习（DL）技术，设计基于计算机断层扫描（CT）的 DL 算法，从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风（AIS）病变，并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响，最佳 DL 方法对病变存在和侧边分类达到了 72％的准确率，对大尺寸病变（80％准确率）和多发病变（87％二个病变、100％三个或以上病变的准确率）检测效果更好。

    Sep, 2023