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

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。

Nov, 2023

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

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

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

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

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

本研究提出了一种快速、准确的冠状动脉疾病筛查和评估方法，基于深度学习和多轴视觉变压器架构，自动对计算机断层扫描成像进行分类和评分，并不需要人工干预。

Apr, 2023

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

使用非对比增强 CT 图像，研制了人工智能模型 DeepAAS，能够准确识别急性主动脉综合征（AAS），帮助临床决策，有效降低 AAS 错漏诊率并缩短诊断时间。

Jun, 2024