Mar, 2024

无造影钙化计分 CT 图像中的冠状动脉分割利用深度学习

PDF
TL;DR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。
precise localizationcoronary arteriescomputed tomographysegmentationdeep learning algorithm
发现论文，激发创造
  • 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

  • 基于几何级联神经网络的冠状动脉分割和血管向量化

    提出一个基于几何的级联分割算法用于冠状动脉的连续和准确的三维重建，克服了医疗图像低分辨率和对比度差的局限性，比传统算法提升了分割精度，特别是避免了血管断裂的问题。

    May, 2023

  • 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

  • SAM-VMNet：冠状动脉造影血管分割的深度神经网络

    我们提出了一种新颖的体系结构 SAM-VMNet，它结合了 MedSAM 的强大特征提取能力和 VM-UNet 的线性复杂性视觉状态空间模型的优势，具有更快的推理速度和更强的数据处理能力，实现了 CTA 图像的更高分割准确性和稳定性。

    Jun, 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

  • TransCC: 用于冠状动脉 CCTA 分割的 Transformer 网络

    提出了一种将 Transformer 和卷积神经网络有效融合的深度学习框架 TransCC，通过引入特征交互提取模块 (FIE) 和多层增强感知器 (MEP)，提高了 CCTA 图像分割的性能，平均 Dice 系数达到 0.730，平均交并比 (IoU) 达到 0.582。

    Oct, 2023

  • 使用集成学习的多血管冠状动脉分割和狭窄定位

    通过机器学习解决方案，该研究提出了一种用于冠状动脉造影图像的自动诊断的端到端解决方案，旨在在冠状动脉血管的多血管分割和狭窄病变定位方面进行基准测试。

    Oct, 2023

  • 基于部分血管标注的冠状动脉分割：自我训练和原型学习

    基于部分血管标注提出一种弱监督学习框架，通过学习血管的局部特征、全局结构和特征原型，实现精确的冠状动脉分割，在冠状动脉 CTA 图像上超过了其他方法的表现，并且在血管的主干连续性上达到了与全注释模型相当的性能。

    Jul, 2023

  • AGFA-Net：基于计算机断层扫描血管造影的冠状动脉分割的注意力引导和特征汇聚网络

    通过 coronary computed tomography angiography (CCTA) 图像，提出了一种注重注意力的特征聚合的三维深度网络 (AGFA-Net)，用于冠状动脉分割，该网络利用注意机制和特征细化模块来捕捉显著特征并提高分割准确性。在包含 1,000 个 CCTA 扫描的数据集上，AGFA-Net 的评估表现出卓越的性能，在 5 折交叉验证中平均 Dice 系数相似度达到 86.74%，Hausdorff 距离为 0.23 毫米。消融研究进一步验证了所提出模块的有效性，凸显了它们对于改进分割准确性的贡献。总体而言，AGFA-Net 提供了一个稳健且可靠的冠状动脉分割解决方案，解决了不同血管尺寸、复杂解剖和低图像对比度带来的挑战。

    Jun, 2024

  • 深度学习在相位对比计算机断层成像中的血管分割及应用

    自动血管分割在生物医学成像中至关重要，但由于血管结构的复杂性、患者间解剖变异、公开数据集的稀缺性和图像质量等原因，精确分割仍然具有困难。本研究通过深入文献研究，探讨机器学习技术在不同器官中的应用，旨在为新型成像模态下的血管分割提供坚实的基础并确定一个稳健的基准模型。研究使用由 Hierarchical Phase Contrast Tomography (HiP CT) 在人体器官图谱项目中成像获得的三个肾脏的双注释器验证的训练数据集，并采用 nnU Net 模型进行实验评估。结果显示，尽管分割性能表现较好（clDice 值在 0.82 到 0.88 之间），但存在一些错误，如由于缺乏静水压力（HiP CT 是一种离体技术）而导致的大血管分割效果较差，以及细小血管连接性减弱和血管边界处更高的分割误差。通过本研究和输出，我们旨在为后续基于不同成像模态的模型评估建立一个基准，特别是使用 HiP CT 成像数据库。

    Nov, 2023