Nov, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • TransONet: 使用深度学习自动分割计算机断层扫描血管造影中的血管

    通过提出基于深度学习模型的方法，可以高效且准确地分割 CTA 图像中与周围动脉疾病（PAD）手术相关的下行主动脉至髂分叉和下行主动脉至膝盖部分，为医学专业人员分析血管系统健康提供了有价值的工具。

    Nov, 2023

  • 利用人工智能对血管组织中的钙化进行表型化

    血管钙化是心脏病发作和中风等重大不良心血管事件的重要因素。本研究提出了一种用于测定钙化表型的新的分类系统，以及一种半自动、无损的钙化分类工具，能够在动脉粥样硬化组织中区分这些表型。通过引入高效全面的钙化表型分类方法，本研究使得大规模研究能够识别心血管事件的更可靠风险指标。

    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

  • 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

  • Voxel2Hemodynamics：一种端到端的深度学习方法，用于预测冠状动脉血液动力学

    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

  • 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

  • 无造影钙化计分 CT 图像中的冠状动脉分割利用深度学习

    本文提出了一种基于深度学习算法的多供应商心电图门控无对比剂心脏 CT 图像冠状动脉分割的方法，该方法通过图像配准实现了半自动生成 Ground Truth，研究结果表明训练模型具有比训练时使用的 Ground Truth 更高的准确性，并且 Dice 和 clDice 指标接近评定者之间的差异。

    Mar, 2024

  • 左心耳血栓形成风险评估的几何深度学习

    本研究通过开发深度学习 (DL) 框架，仅根据患者的特定左心房附属物（LAA）几何形状来预测与血栓形成风险相关的内皮细胞活化潜力（ECAP）分布，建立在几何 DL 的最新进展基础上，该模型在综合合成和 54 个真实的 LAA 数据集上进行训练，平均平均绝对误差为 0.563。

    Oct, 2022

  • 多任务深度学习用于准确风险分层和冠脉 CT 血管造影患者下一步预测

    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

  • 一种使用单个深度学习网络对荧光成像和视频进行图像处理和分割的自动实时方法

    使用深度学习的新方法，能够实时准确地分割全膝关节置换手术图像，并取得了卓越的性能，为进一步的应用提供了可能。

    Jan, 2024