Mar, 2024

生物力学心脏数字双胞胎的稳健自动钙化网格化

PDF
TL;DR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。
calcificationcardiovascular diseasesautomated meshing algorithmpatient-specificphysics-driven simulations
发现论文，激发创造
  • 通过自由形变学习进行基于图像的计算模拟的全心网格生成

    通过深度学习重建心脏组织模型可以用于计算心脏病理生理学，从而指导诊断和个性化治疗，该模型可以高效地用于计算流体力学模拟。

    Jul, 2021

  • 利用人工智能对血管组织中的钙化进行表型化

    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。

    Jan, 2024

  • 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

  • LinFlo-Net: 心脏模拟准备网格生成的两阶段深度学习方法

    我们提出了一种深度学习模型，可以根据患者的影像数据自动生成人类心脏的计算机模型，特别强调其生成薄壁心脏结构的能力。

    Oct, 2023

  • DeepMesh: 基于深度学习的基于网格的心脏运动跟踪

    基于心脏磁共振图像的 3D 运动估计对于评估心脏功能和诊断心血管疾病至关重要。本文提出了一种基于 DeepMesh 的学习框架，旨在从 CMR 图像中将心脏网格传播到个体空间，并估计个体的心脏网格的 3D 运动。该方法通过开发一种可微分的网格到图像光栅化器，能够利用来自多个解剖视图的 2D 形状信息进行 3D 网格重建和网格运动估计。实验结果表明，该方法在定量和定性上优于其他基于图像和基于网格的心脏运动跟踪方法，特别针对左心室的 3D 运动估计。

    Sep, 2023

  • 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

  • 用于 3D 心肌变形分析的合成数据生成

    提出了一种合成数据生成方法，用于丰富心血管影像数据集，包括关键的地面真实光流注释，以克服高分辨率 CT 数据集稀缺性带来的限制，从而促进精确可靠的心肌变形分析算法在临床应用和诊断中的发展。

    Jun, 2024

  • 基于 AI 的主题建模的个性化主动脉狭窄血动力学

    我们提出了一种人工智能驱动的计算框架，用于加速与民主化的基于患者的主动脉瓣狭窄血流动力学模拟，通过自动网格化算法生成适用于计算和实验室模拟的几何形态，并能够准确地模拟多样化的临床血流动力学测量，从而作为个性化高保真模拟主动脉瓣狭窄生物力学、血流动力学和治疗规划的理想补充工具。

    Jun, 2024

  • Image2Flow：一种用于快速患者特定肺动脉分割和从 3D 心脏 MRI 数据计算 CFD 流场的混合图像和图卷积神经网络

    本研究使用深度学习模型生成患者特异性体积网格和直接估计血流动力学数据，在简化博弈过程的同时，提供更高效的计算流体力学模拟和分割方法。

    Feb, 2024

  • 数字孪生心脏分析中心肌速度图的混合深度学习合成

    研究提出了一个用于模拟合成心肌速度映像（3Dir MVM）数据的混合深度学习网络，从而可以通过克服解剖和生物化学现象建模的复杂性，生成更加真实的医学信号，此算法可以用于现实的医学研究中。

    Mar, 2022