我们提出了一种人工智能驱动的计算框架，用于加速与民主化的基于患者的主动脉瓣狭窄血流动力学模拟，通过自动网格化算法生成适用于计算和实验室模拟的几何形态，并能够准确地模拟多样化的临床血流动力学测量，从而作为个性化高保真模拟主动脉瓣狭窄生物力学、血流动力学和治疗规划的理想补充工具。

Jun, 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

提出一种基于深度学习的后处理方法，通过关键点检测任务修复肺部管状结构的连接性问题，解决当前深度学习方法在肺部病理诊断中的实用性问题。新的肺部树修复数据集（PTR）包括 800 个完整的三维肺部结构模型，可公开获取。

Jun, 2023

使用个体化计算模型和高斯过程，通过大型动物模型的回顾性数据来进行快速、个体化校准，预测慢性血栓栓塞性肺动脉高压中微血管功能和动脉壁剪切应力的变化。

Apr, 2024

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

通过超分辨率模块进行空间归一化和迭代式实现分割结果，基于高水平血管分割为先验信息，在非对比度 CT 和 CTPA 上实现了精确的动脉 - 静脉分割，其量化实验证明 HiPaS 具有卓越的性能，达到 91.8% 的 DICE 分数和 98.0% 的敏感性。研究还发现，肺血管丰度与性别和年龄显著关联，女性较男性血管丰度明显更高且随年龄稍有下降，这一发现对临床诊断和了解肺生理学具有重要意义。

Apr, 2024

通过基于 B 模式超声心动图视频的相似性和学习的时空原型之间的关联性，ProtoASNet 直接检测主动脉瓣狭窄并提供解释，同时利用弃权损失评估不确定性，使其成为一种可靠的系统，能够提供解释哪些情况下可能失败，并为每个预测提供可解释性和不确定性度量。

Jul, 2023

肺动脉高压是一种严重疾病，其特征为肺动脉压力升高。本文研究了使用磁共振成像、计算机模型和机器学习进行非侵入性肺动脉高压检测的方法。我们通过消融研究表明，基于血液循环模型的物理启发特征工程提高了梯度提升决策树算法在肺动脉高压分类和 mPAP 值回归方面的性能。我们比较了回归（通过阈值估计 mPAP）和分类的结果，并证明了两个实验的指标是可比较的。与分类模型返回的肺动脉高压概率相比，预测的 mPAP 值对于医师来说更具信息价值。它们提供了机器学习模型结果的直观解释（临床医生习惯使用 mPAP 指标，而非肺动脉高压概率）。

Dec, 2023

本文提出了一个框架，将 AI 算法和数学建模相结合，以提供全面的生理条件视图，并展示了整体有机体概率模拟和分子数据驱动的临床模型集成的潜力，这有助于解决将多尺度计算模型与 AI 相结合的重要技术挑战，从而实现了医疗保健的数字孪生兄弟的目标。

Sep, 2020

通过深度学习技术，结合关注引导的卷积神经网络和集成技术，对肺栓塞进行诊断，以提高准确度和病理捕捉率。

Nov, 2023