Jan, 2024

利用计算机断层扫描钙化分数机会性心外脂肪组织评估预测心血管事件的人工智能

PDF
TL;DR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。
发现论文，激发创造
  • 基于不确定性驱动和对抗学习的心外膜脂肪组织分割

    提出一种新颖的特征潜空间多级监督网络（SPDNet），采用不确定性驱动和对抗标定学习来增强分割，以更准确地估算心外膜脂肪体积。实验证明，这种基于不确定性驱动和对抗标定学习的方法可以为建模多尺度的模糊提供额外信息。

    Feb, 2024

  • 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

  • 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

  • 冠脂肪周围组织心脏 CT 灌注成像揭示冠脉 CTA 潜在干扰因素

    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

  • CT 血管造影中冠周脂肪组织衰减和体积的自动测量

    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

  • 使用图神经网络进行表面网格的体脂估算

    使用图神经网络可以准确预测腹部内脏脂肪组织和腹部皮下脂肪组织的体积，相较于最先进的卷积神经网络，减少了训练时间和所需资源，也可以应用于廉价且易于获取的医学表面扫描替代昂贵的医学图像。

    Jul, 2023

  • 基于三种不同深度学习模型开发心包脂肪计数图像

    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

  • AATCT-IDS: 一种用于图像去噪、语义分割和放射学评估的腹部脂肪 CT 图像数据集

    AATTCT-IDS 是一个包含 300 个被试者的 Benchmark 腹部脂肪 CT 图像数据集，通过对 13,732 个原始 CT 切片进行标注，验证了去噪方法、训练语义分割模型和研究影像组学等，该数据集在以上三种任务中验证了研究潜力。

    Aug, 2023

  • 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

  • 增强的 CT 图像肌肉和脂肪分割用于身体构成分析：一项比较研究

    通过比较我们的内部工具和 TotalSegmentator 的测量结果，研究表明我们的工具在测量皮下脂肪和肌肉方面表现优于 TotalSegmentator，并且在内脏脂肪的分割方面两种工具之间存在可靠的一致性。这些结果显示了我们的工具在提高人体组成分析的准确性方面的潜力。

    Jan, 2024