Jan, 2024

基于深度学习的冠状动脉血运背侧循环检测

PDF
TL;DR提出了一种基于深度学习的方法用于检测冠状动脉侧支循环 (CCC) 在血管造影图像中的方法，并取得了有希望的结果，可以进一步扩展为基于标志点的 CCC 检测和 CCC 定量化。
coronary artery diseaseatherosclerosiscollateral arteriesdeep learningangiographic images
发现论文，激发创造
  • 基于深度学习的自动冠状动脉物体检测

    在数字医学时代，医学影像作为一种广泛应用的早期疾病检测技术，在每天产生和储存的电子病历中产生大量的影像。在这篇论文中，我们利用目标检测方法对 X 射线血管造影图像进行分析，精确地确定冠状动脉狭窄的位置，从而实现了对狭窄位置的自动实时检测，帮助医护人员进行重要而敏感的决策过程。

    Dec, 2023

  • CADICA: 一种新的侵入性冠状动脉造影术用于冠状动脉疾病检测的数据集

    这篇论文报道了一个新的带注释的冠状动脉造影图像数据集 CADICA，给研究界提供了一个全面严谨的冠状动脉造影数据集，可用于临床医生的 CAD 严重性血管造影评估技能培训以及计算机科学家创建辅助诊断系统的基础分类方法验证，为改进 CAD 检测提供了一个起点。

    Feb, 2024

  • 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

  • ConvNeXtv2 融合 Mask R-CNN 用于自动区域基于冠状动脉狭窄的检测和疾病诊断

    冠状动脉疾病的自动化检测和图像分析对诊断过程进行了有效的简化，证实了提出的模型在识别狭窄病变方面表现出色。

    Oct, 2023

  • 应用一维卷积神经网络进行冠状动脉疾病分类

    冠状动脉疾病诊断的一维卷积神经网络（1D-CNN）通过提高检测准确性和减少网络复杂性的潜力来解决早期诊断对人类死亡率的重要影响问题。通过解释心电图（ECG）信号中复杂模式的能力，无需依赖特征提取技术，这项研究超越了传统诊断方法。我们研究了样本长度对模型性能的影响，并进行了相关实验，包括降低网络层数。使用的 ECG 数据来自 PhysioNet 数据库，分别是 MIMIC III 和 Fantasia 数据集，采样频率分别为 125 Hz 和 250 Hz。在样本长度为 250 时，获得了对未知数据最高的准确性。这些初步发现展示了使用 ECG 信号进行冠状动脉疾病诊断的 1D-CNN 的潜力，并强调了样本大小在实现高准确性方面的作用。

    May, 2024

  • YOLO-Angio：冠状动脉解剖分割算法

    我们提出了一种基于 X 射线血管造影图像的、能够自动化诊断冠状动脉疾病的自动区域冠状动脉疾病诊断的方法，该方法结合了经典计算机视觉的预处理和特征选择，通过增强血管对比度来提高血管分割的准确性，并利用 YOLOv8 生成血管图像并基于逻辑推理的方法重构冠状血管树以实现最终分割，我们在 ARCADE 挑战中获得了第三名，验证集和保留集的 F1 得分分别为 0.422 和 0.4289。

    Oct, 2023

  • Voxel2Hemodynamics：一种端到端的深度学习方法，用于预测冠状动脉血液动力学

    本文提出了一种基于深度学习的框架，利用计算机辅助技术快速准确地进行冠状动脉血液动力学分析， 通过迭代学习算法可以用 CCTA 图像预测冠状动脉的血液动力学分布，并与计算流体动力学分析结果相吻合，为冠状动脉疾病发展的机制揭示提供新思路。

    May, 2023

  • 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

  • 冠状动脉语义标记的多图图匹配

    该研究提出了一种基于多图图匹配算法（MGM）的冠状动脉语义标签方法，通过融合解剖图结构、影像学特征和语义映射，实现了冠状动脉语义标签的准确率为 0.9471，为冠状动脉分析提供了一种新的工具。

    Feb, 2024

  • 基于深度学习的冠状动脉分数流预测

    基于深度学习的方法从冠状动脉 CTA 扫描中预测冠状动脉沿程血流储备指数（FFR），为快速准确、自动化的 FFR 预测铺平了道路。

    Aug, 2023