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

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

通过整合医学影像和电子健康记录，可以提升肺栓塞分类性能和稳健性，并在不引入不必要误差的情况下，在受保护子群体之间全面评估公平性属性。

Nov, 2021

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

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

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

通过整合三维医学影像和电子健康记录，我们引入了 INSPECT 数据集，其中包含 19402 名患有肺栓塞（PE）风险的患者的匿名长期记录，以及多个结果的基准标签，为评估多个重要 PE 相关任务的基线建模方法提供了一个基准。

Nov, 2023

在计算机辅助肿瘤诊断和治疗中，精确分割 PET/CT 图像对癌症的诊断和治疗非常重要。本文提出了一种新颖的多模态证据融合网络（MEFN），通过交叉模态特征学习（CFL）模块和多模态可信融合（MTF）模块，以有效整合 PET 和 CT 图像中的互补信息并考虑模态不确定性，进而提高肿瘤分割的准确性和可信度。通过在两个公开的 PET/CT 数据集上进行广泛的对比实验，结果表明我们的方法在 DSC 评分上分别比现有方法提高了 2.15% 和 3.23%。此外，我们的模型还能够为放射科医生提供可信的分割结果不确定性，对于临床应用非常重要。

Jun, 2024

通过利用卷积神经网络，提出了一种基于多层多模态融合模型的新型深度学习疾病检测模型，能够从不同层次提取特征并融合它们，在胸部 X 射线图像的疾病分类中取得了高达 97.21% 和 99.60% 的显著准确率，具有准确的疾病分类潜力，并可推广至其他胸部 X 射线图像中的疾病分类。

Jan, 2024

本文综述评估和比较了深度学习和传统基于计算机辅助设计系统在诊断肺栓塞方面的性能，为医生和研究人员提供帮助。

Dec, 2023