通过分析非对比度 CTMS 图像，可以评估周冠状动脉脂肪组织（PCAT）并确定其与重大不良心血管事件（MACE）之间的关联。PCAT 特征可以在 CTCS 图像中定量分析，可用于低成本的心血管风险评估，而无需考虑碘造成的影响。

Jan, 2024

我们开发了一种全自动的方法，对冠状动脉周围的区域进行心周脂肪均值和体积的测量。我们在公共 ImageCAS 数据集的一个大子集上训练了一个三维全分辨率的 nnUNet 来分割左冠状动脉和右冠状动脉。然后，我们自动测量了冠状动脉周围的心周脂肪。我们在同一数据集的一个独立测试集上评估了我们的方法，得到了 RCA 的平均 Dice 分数为 83％，心周脂肪均值衰减为 - 73.81 ± 12.69 HU，而 LCA 的平均 Dice 分数为 81％，心周脂肪均值衰减为 - 77.51 ± 7.94 HU。我们是第一个开发出全自动测量冠状动脉周围心周脂肪衰减和体积的方法。我们的工作突显了自动化心周脂肪测量在炎症和心脏疾病识别中的潜力。

Nov, 2023

手工制作的 ' 脂质组学 ' 特征能够捕捉心外脂肪组织（EAT）的病理生理学并提高相关心血管风险的预测能力。

Jan, 2024

该研究使用专用的深度学习模型从胸部 X 射线照片 (CXR) 生成心包脂肪计数图像 (PFCIs)，以评估心包脂肪在冠状动脉疾病发展中诱导冠状动脉炎症的能力，结果显示使用该模型生成的 PFCIs 在图像质量上优于单一模型的生成结果，证明提出的方法可能实现无需 CT 的 PFCI 评估。

Jul, 2023

通过对公开可获得的 CTA 数据进行分析和拟合，提出了一个描述血管中动态对比剂行为的模型，该模型可以有助于个性化的对比剂建模、CTA 图像处理的改进，并为人工智能的合成 CT 训练数据的准备提供支持。

Oct, 2023

中风是致残和死亡的主要原因。在有效处理决策中首要是进行早期和信息丰富的血管成像。因此，我们提出了一种从 CT 和 CTA 图像中提取预测灌注图的框架。我们的预测灌注图与 4D-CTP 得到的 T-max 灌注图之间具有显著的空间相似性。通过对 2,110 名患者进行的体素相关性分析，可可靠地将症状与预期的梗塞位置相对应。因此，如果没有 4D 灌注成像，我们的预测灌注图可以作为一种替代方法来研究入院后的前几个小时的血液灌注。

Apr, 2024

AATTCT-IDS 是一个包含 300 个被试者的 Benchmark 腹部脂肪 CT 图像数据集，通过对 13,732 个原始 CT 切片进行标注，验证了去噪方法、训练语义分割模型和研究影像组学等，该数据集在以上三种任务中验证了研究潜力。

Aug, 2023

提出了一种基于点云的注册和图像融合方法，用于心脏单光子发射计算机断层扫描心肌灌注图像和心脏计算机断层扫描血管造影图像间的配准与融合。

Feb, 2024

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

通过超分辨率模块进行空间归一化和迭代式实现分割结果，基于高水平血管分割为先验信息，在非对比度 CT 和 CTPA 上实现了精确的动脉 - 静脉分割，其量化实验证明 HiPaS 具有卓越的性能，达到 91.8% 的 DICE 分数和 98.0% 的敏感性。研究还发现，肺血管丰度与性别和年龄显著关联，女性较男性血管丰度明显更高且随年龄稍有下降，这一发现对临床诊断和了解肺生理学具有重要意义。

Apr, 2024