Oct, 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

PDF
TL;DR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。
发现论文，激发创造
  • StenUNet：X 光冠状动脉造影的自动狭窄检测

    提出了一种用于从 X 射线冠状动脉造影图中准确检测狭窄的架构和算法 StenUNet，通过结合机器学习和其他计算机视觉技术，在 ARCADE 挑战中获得第三名，测试数据集上达到了 0.5348 的 F1 得分，比第二名低了 0.0005。

    Oct, 2023

  • 基于深度学习的自动冠状动脉物体检测

    在数字医学时代，医学影像作为一种广泛应用的早期疾病检测技术，在每天产生和储存的电子病历中产生大量的影像。在这篇论文中，我们利用目标检测方法对 X 射线血管造影图像进行分析，精确地确定冠状动脉狭窄的位置，从而实现了对狭窄位置的自动实时检测，帮助医护人员进行重要而敏感的决策过程。

    Dec, 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

  • SSASS：半监督式狭窄分割方法

    我们介绍了一种用于心血管狭窄分割的半监督方法，通过数据增广和利用伪标签的学习技术，实现了在冠状动脉造影图像中准确评估病患情况的自动诊断算法。

    Nov, 2023

  • 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

  • SAM-VMNet：冠状动脉造影血管分割的深度神经网络

    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

  • 评估编码器 - 解码器架构对冠状动脉分割的鲁棒性

    经过对 25 种不同的编码器 - 解码器组合的分析，发现 EfficientNet-LinkNet 组合在冠状动脉分割中表现出色，其 Dice 系数为 0.882，95％分位数的 Hausdorff 距离为 4.753，这一发现不仅凸显了我们模型相较于 MICCAI 2020 挑战中的其他模型的优越性，也为冠状动脉分割的未来进展奠定了基础，为改进诊断和治疗策略开辟了新的可能性。

    Oct, 2023

  • 应用一维卷积神经网络进行冠状动脉疾病分类

    冠状动脉疾病诊断的一维卷积神经网络（1D-CNN）通过提高检测准确性和减少网络复杂性的潜力来解决早期诊断对人类死亡率的重要影响问题。通过解释心电图（ECG）信号中复杂模式的能力，无需依赖特征提取技术，这项研究超越了传统诊断方法。我们研究了样本长度对模型性能的影响，并进行了相关实验，包括降低网络层数。使用的 ECG 数据来自 PhysioNet 数据库，分别是 MIMIC III 和 Fantasia 数据集，采样频率分别为 125 Hz 和 250 Hz。在样本长度为 250 时，获得了对未知数据最高的准确性。这些初步发现展示了使用 ECG 信号进行冠状动脉疾病诊断的 1D-CNN 的潜力，并强调了样本大小在实现高准确性方面的作用。

    May, 2024

  • 使用卷积神经网络和随机视图聚集提高计算机辅助检测

    本研究设计了一个分层级联的计算机辅助检测系统用于医学影像，包括候选区域的生成和基于卷积神经网络的分类方法，成功提高了三种癌症（骨转移、淋巴结和结直肠息肉）的 CAD 检测性能，并综合展示了该方法在各种医学影像 CAD 检测中的应用前景。

    May, 2015

  • 用于评估冠心病时的 3D 深度学习分类器及其可解释性

    我们提出了一个 3D Resnet-50 深度学习模型，通过计算机断层扫描冠状动脉造影图像来直接分类正常人和冠状动脉疾病患者，并使用 Grad-GAM 提供可解释性。此外，我们将 3D 冠状动脉疾病分类与 2D 双类语义分割相结合，以提高可解释性和准确的异常定位。

    Jul, 2023