Jan, 2024

利用人工智能对血管组织中的钙化进行表型化

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 通过 AI 技术提升心血管风险预测的钙组学研究

    冠状动脉钙化的 AI 分析可以改善 Agatston 评分，显示了钙组学在风险预测中的有效性。

    Aug, 2023

  • 生物力学心脏数字双胞胎的稳健自动钙化网格化

    我们提出了一种全自动建模算法，能够将病人特异性的钙化数据精确地添加到已有的心脏模型中，从而加速心脏数字孪生的物理模拟研究和应用的发展。

    Mar, 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

  • 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

  • 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

  • 使用卷积神经网络自动解释颈动脉 intima-media 厚度视频

    本文介绍了一种基于卷积神经网络的自动化心血管疾病风险评估方法，采用超声视频分析方法以实现颈动脉内膜 - 媒体厚度的精确测量，并且与传统方法相比优势明显。

    Jun, 2017

  • 通过眼底图像评估心血管疾病和风险因素的人工智能：过去十年的回顾

    应用人工智能与深度学习技术结合视网膜成像，实现心血管疾病早期检测和诊断的研究概览。

    Nov, 2023

  • 利用视网膜 OCT 图像预测心血管疾病风险

    通过自主学习的变分自编码器 (VAE) 在光学相干断层扫描 (OCT) 图像中学习低维表示，并结合参与者的人口统计学和临床数据，使用随机森林 (RF) 分类器来识别未来心血管疾病风险，其性能较 QRISK3 评分更优，证明视网膜 OCT 成像是一种经济高效的非侵入性方法来预测心血管疾病风险。

    Mar, 2024