Nov, 2023

CT 血管造影中冠周脂肪组织衰减和体积的自动测量

PDF
TL;DR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。
发现论文，激发创造
  • 冠脂肪周围组织心脏 CT 灌注成像揭示冠脉 CTA 潜在干扰因素

    使用心动脉 CT 肿瘤灌注（CCTP）技术研究了心脏病患者中冠心病相关脂肪组织 (PCAT) 的影像特征和血流动力学性质，发现 PCAT 的血流量约为相应心肌的 23％，PCAT 在影像特征、表观体积和放射图像学方面的评估受取像时间和梗阻性狭窄存在的干扰因素的影响敏感。

    Jun, 2023

  • CT 钙化评分图像中周围冠状动脉脂肪组织特征分析与冠状动脉 CTA 的比较

    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

  • 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

  • 利用计算机断层扫描钙化分数机会性心外脂肪组织评估预测心血管事件的人工智能

    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

  • 使用深度学习自动测量股动脉内膜剥脱术患者的血管钙化

    动脉粥样硬化是一种影响大动脉的慢性炎症性疾病；使用深度学习模型分割 CTA 图像中的血管系统以及计算血管钙化程度的 Metric，可提供医学专业人员对腹主动脉和膝下的钙化进行快速准确的评估。

    Nov, 2023

  • 基于三种不同深度学习模型开发心包脂肪计数图像

    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

  • AGFA-Net：基于计算机断层扫描血管造影的冠状动脉分割的注意力引导和特征汇聚网络

    通过 coronary computed tomography angiography (CCTA) 图像，提出了一种注重注意力的特征聚合的三维深度网络 (AGFA-Net)，用于冠状动脉分割，该网络利用注意机制和特征细化模块来捕捉显著特征并提高分割准确性。在包含 1,000 个 CCTA 扫描的数据集上，AGFA-Net 的评估表现出卓越的性能，在 5 折交叉验证中平均 Dice 系数相似度达到 86.74%，Hausdorff 距离为 0.23 毫米。消融研究进一步验证了所提出模块的有效性，凸显了它们对于改进分割准确性的贡献。总体而言，AGFA-Net 提供了一个稳健且可靠的冠状动脉分割解决方案，解决了不同血管尺寸、复杂解剖和低图像对比度带来的挑战。

    Jun, 2024

  • 基于 Point Transformer 的冠状动脉标记

    该论文提供了一种基于 Point Transformer 的简单的血管标记方法，只需要冠状动脉分割，能够提高诊断效率和减少临床医生的人工劳动，在 53 位患者的实验中取得了良好的效果。

    May, 2023

  • 基于不确定性驱动和对抗学习的心外膜脂肪组织分割

    提出一种新颖的特征潜空间多级监督网络（SPDNet），采用不确定性驱动和对抗标定学习来增强分割，以更准确地估算心外膜脂肪体积。实验证明，这种基于不确定性驱动和对抗标定学习的方法可以为建模多尺度的模糊提供额外信息。

    Feb, 2024

  • 基于部分血管标注的冠状动脉分割：自我训练和原型学习

    基于部分血管标注提出一种弱监督学习框架，通过学习血管的局部特征、全局结构和特征原型，实现精确的冠状动脉分割，在冠状动脉 CTA 图像上超过了其他方法的表现，并且在血管的主干连续性上达到了与全注释模型相当的性能。

    Jul, 2023