基于深度学习和传统 CAD 方案的肺栓塞诊断：调研
通过使用 CTPA 成像、临床数据和 PE 严重指数（PESI）评分来预测 PE 的死亡率，研究采用深度学习模型来预测 PE 的死亡率，并将疾病相关的成像特征和 / 或临床变量纳入 DL 模型中进行预测，结果表明多组学 DL 模型在 PE 存活预测中的 c-index 值明显高于仅使用 PESI 指数的模型。
Jun, 2024
使用对比学习的肺栓塞检测方法（PECon）结合患者 CT 扫描和电子健康记录，旨在提高两种模态之间特征表示的对齐性，从而改善肺栓塞的诊断效果，并通过实验结果表明该方法在 RadFusion 数据集上表现优于现有技术，得到了 0.913 的 F1 分数，0.90 的准确率和 0.943 的 AUROC。
Aug, 2023
通过采用深度学习和自然语言处理模型的新方法组合，结合数据增强、自适应预训练 NLP 模型选择和基于临床专家 NLP 规则的分类器，可以有效提高未结构化（自由文本）放射学报告中静脉血栓栓塞（VTE）的识别准确率。实验结果表明该模型的有效性，对深静脉血栓形成（DVT）预测达到 97% 的准确率和 97% 的 F1 分数，对肺栓塞（PE）预测达到 98.3% 的准确率和 98.4% 的 F1 分数，强调了该模型的鲁棒性和对 VTE 研究的潜在贡献。
Sep, 2023
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
为了提高患者的生存率，该研究提出了一种多模态融合方法来检测肺栓塞。通过集成 CT 肺血管造影和电子病历数据，该方法融合了图像和临床信息，取得了显著的预测效果，从而超越了仅使用单个数据模式的模型。
Feb, 2024
自动肺栓塞（PE）分割方法 SCUNet++ 结合了多个融合的稠密跳跃连接来解决 CTPA 技术的局限性和特征分级层次结构问题，实验证明该方法在 PE 分割任务中表现出色，有潜力提高 PE 的自动分割准确性，为临床医生提供强大的诊断工具。
Dec, 2023
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
本研究提出了一种基于 HRNet 的特征增强的敌对半监督语义分割模型，通过添加少量未标记图像实现了对不同数据集的适用，从而自动标注计算机断层扫描肺动脉造影（CTPA）图像中肺栓塞病变区域的位置。与当下的标准模型相比，该模型在 mIOU、Dice 系数和灵敏度方面实现了显著优化。
Apr, 2022
COVID-19 大流行病反应凸显了深度学习方法在通过计算机断层扫描 (CT) 对肺部疾病的正常和异常组织进行自动分割方面的潜力，这些方法不仅有助于临床决策，还有助于理解新型疾病。为了解决手动分割大型 CT 数据库的繁重性质，我们使用多态训练优化了一个网络，以表示多个分层解剖结构，间接优化了更复杂的标签。我们结合来自不同来源的 6000 多个不同格式的手动和自动标签的 CT 扫描，使用多任务学习和多态训练开发了 MEDPSeg，一种用于单向预测肺部、气道、肺动脉和肺病变分割的端到端方法。我们在多个目标中取得了最先进的性能，特别是在地面玻璃浑浊度和病变分割方面，这是一个具有有限手动注释可用性的具有挑战性的问题。此外，我们提供了一个开源实现，具有图形用户界面的链接：https:// 此处为 URL。
Dec, 2023