Oct, 2023

StenUNet：X 光冠状动脉造影的自动狭窄检测

PDF
TL;DR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。
coronary angiographycoronary artery diseasecad diagnosticsstenosis detection algorithmmachine learning
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • YOLO-Angio：冠状动脉解剖分割算法

    我们提出了一种基于 X 射线血管造影图像的、能够自动化诊断冠状动脉疾病的自动区域冠状动脉疾病诊断的方法，该方法结合了经典计算机视觉的预处理和特征选择，通过增强血管对比度来提高血管分割的准确性，并利用 YOLOv8 生成血管图像并基于逻辑推理的方法重构冠状血管树以实现最终分割，我们在 ARCADE 挑战中获得了第三名，验证集和保留集的 F1 得分分别为 0.422 和 0.4289。

    Oct, 2023

  • 非对比 CT 扫描上的自动斑块检测和 Agatston 评分估计：多中心研究

    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

  • 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

  • CADICA: 一种新的侵入性冠状动脉造影术用于冠状动脉疾病检测的数据集

    这篇论文报道了一个新的带注释的冠状动脉造影图像数据集 CADICA，给研究界提供了一个全面严谨的冠状动脉造影数据集，可用于临床医生的 CAD 严重性血管造影评估技能培训以及计算机科学家创建辅助诊断系统的基础分类方法验证，为改进 CAD 检测提供了一个起点。

    Feb, 2024

  • 基于图像深度学习的胸部 X 射线亚临床动脉粥样硬化的检测

    通过基于深度学习的系统在普通胸部 X 线上识别亚临床动脉硬化，开发了一个预测冠状动脉钙化分数的深度学习算法，在内、外部验证中表现出良好的诊断准确性和预测动脉粥样硬化心血管疾病事件的负预测价值。

    Mar, 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