- 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 - 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。
- 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 - 使用深度学习估计冠状动脉中的 FFR
冠状动脉疾病是欧盟和美国最常见的死因之一,其中关键的生物标志物是分数流量减少 (FFR),通过侵入性诊断技术冠状动脉造影获得其体内测量。为了解决侵入性的缺点,近年来出现了一种名为虚拟 FFR (vFFR) 测量的新方法。本文中,我们探讨了使 - 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。
- 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 - 基于深度学习的冠状动脉血运背侧循环检测
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。
- 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 - 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 - StenUNet:X 光冠状动脉造影的自动狭窄检测
提出了一种用于从 X 射线冠状动脉造影图中准确检测狭窄的架构和算法 StenUNet,通过结合机器学习和其他计算机视觉技术,在 ARCADE 挑战中获得第三名,测试数据集上达到了 0.5348 的 F1 得分,比第二名低了 0.0005。
- 基于神经网络的右冠动脉造影图像冠脉主导性分类
使用基于冠状动脉的神经网络方法,利用右冠状动脉 (RCA) 血管造影图像进行心脏支配分类算法的研究并使用机器学习方法成功实现了满意的准确性,然而,在 RCA 闭塞的情况下,为了获得更高的准确性,有必要利用左冠状动脉 (LCA) 的信息并检测 - 多任务深度学习用于准确风险分层和冠脉 CT 血管造影患者下一步预测
多任务深度学习模型用于冠状动脉计算机断层扫描(CCTA)患者风险分层和下游测试选择。模型在冠状动脉疾病风险分层和预测下游测试方面取得了良好的准确性,并能在临床实践中对风险分层和治疗带来新的变革。
- 冠状动脉疾病早期诊断 AI 框架:边界 SMOTE、自编码器和卷积神经网络集成方法
通过机器学习算法对冠心病风险进行分类,本研究开发了一种数据平衡和增强方法,提高了诊断准确性,对样本数量较少和数据不平衡的情况特别适用。实验结果显示,本方法的平均预测准确率为 95.36%,高于随机森林、决策树、支持向量机、逻辑回归和人工神经 - 基于不确定性量化的冠状动脉语义标签的超级关联图匹配
冠状动脉语义标记的心脏血管图匹配模型通过将两个独立图之间的动脉分支进行匹配,实现了运用部分标记的动脉段对未标记的段进行分类和冠状动脉的语义标记,从而提高了冠状动脉语义标记的准确度,并在实时临床决策中具有高效的预测能力。
- 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。
- 用于评估冠心病时的 3D 深度学习分类器及其可解释性
我们提出了一个 3D Resnet-50 深度学习模型,通过计算机断层扫描冠状动脉造影图像来直接分类正常人和冠状动脉疾病患者,并使用 Grad-GAM 提供可解释性。此外,我们将 3D 冠状动脉疾病分类与 2D 双类语义分割相结合,以提高可 - 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 - 处理标签不确定性:以冠状动脉 CT 血管造影中牧羊人拐杖 RCA 自动检测为例
该研究提出了一种利用一维卷积神经网络自动识别冠状动脉 CT 血管造影中的 Shepherd's Crook Right Coronary Artery 的方法,并研究如何处理识别模糊性和标签不确定性,进而提高模型性能。
- 基于边缘关注图匹配网络的冠状动脉语义标记
通过将冠状动脉的语义分割任务转化为图形节点相似性比较任务并使用边缘注意图匹配网络方法,成功实现了动脉语义标记,该方法有可能成为提高冠状动脉疾病诊断和治疗的一个有效解决方案。
- 多轴视觉变换器的冠状动脉 CT 血管造影 CAD-RADS 评分:一个临床启发的深度学习流程
本研究提出了一种快速、准确的冠状动脉疾病筛查和评估方法,基于深度学习和多轴视觉变压器架构,自动对计算机断层扫描成像进行分类和评分,并不需要人工干预。