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

本文提出了一种基于深度学习的框架，利用计算机辅助技术快速准确地进行冠状动脉血液动力学分析， 通过迭代学习算法可以用 CCTA 图像预测冠状动脉的血液动力学分布，并与计算流体动力学分析结果相吻合，为冠状动脉疾病发展的机制揭示提供新思路。

May, 2023

本文使用神经网络、深度神经网络、和模糊 C 均值聚类加深度神经网络的方法诊断冠状动脉疾病，得到 99.91% 的准确度，这一方法可能有助于科研中心。

Feb, 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

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

基于深度神经网络和集成学习的新型管线方法用于左室射血分数（LVEF）的自动准确量化，并在心力衰竭的诊断和分类中取得了与专家评估相当的效果。

Mar, 2024

本研究探讨了联邦学习在冠状动脉造影图像（CA）中用于狭窄检测的应用。研究使用两个异构数据集，分别来自意大利 Ancona 市的 Ospedale Riuniti 医院和前期研究的文献中的成像数据。使用 Faster R-CNN 模型进行狭窄检测，并通过联邦平均（FedAvg）对模型背骨权重进行共享。结果显示，联邦学习框架对第二客户端的性能影响不大，而对第一客户端，与本地模型相比，性能提升了分别为 + 3.76％，+17.21％和 + 10.80％，P_rec 为 73.56，Rec 为 67.01，F1 为 70.13。这些结果表明，联邦学习可实现不同机构之间相关的自动狭窄检测的多中心研究，同时保护患者隐私。

Oct, 2023

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