基于3D-2D CE-Net的血管造影视频中的冠状动脉分割

LightVessel：基于相似性知识提取的轻量级冠状动脉血管分割方法研究

LightVessel: Exploring Lightweight Coronary Artery Vessel Segmentation via Similarity Knowledge Distillation

Henan University of Chinese Medicine（河南中医药大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）

近年来，深度卷积神经网络（DCNN）在冠状动脉血管分割中取得了巨大的应用前景。然而，由于高性能方法具有过多的参数和高计算成本，因此难以在临床场景中部署复杂的模型。为了解决这个问题，我们提出了\textbf{LightVessel}，相似性知识蒸馏框架，轻量级冠状动脉血管分割。首先，我们提出了一个语义迁移建模的智能相似性蒸馏（FSD）模块。具体来说，我们计算来自编码器和解码器的对称层之间的特征相似性。然后将相似性作为知识从繁琐的教师网络转移到未经训练的轻量级学生网络。同时，为了鼓励学生模型学习更多的像素级语义信息，我们引入了对抗相似性蒸馏（ASD）模块。具体地说，ASD模块旨在分别从教师和学生模型中构建注释和预测之间的空间对抗相关性。通过ASD模块，学生模型获得了冠状动脉血管的细粒度精细边缘分割结果。在临床冠状动脉血管数据集上进行的大量实验表明，LightVessel优于各种知识蒸馏同行。

2023-02-25cs.CVeess.IV

3DGR-CAR：基于三维高斯表示从超稀疏二维X射线视图重建冠状动脉

3DGR-CAR: Coronary artery reconstruction from ultra-sparse 2D X-ray views with a 3D Gaussians representation

School of Biomedical Engineering, Division of Life Sciences and Medicine, University of Science and Technology of China (USTC)（中国科学技术大学生命科学与医学部生物医学工程学院）；Center for Medical Imaging, Robotics, Analytic Computing & Learning (MIRACLE), Suzhou Institute for Advance Research, USTC（中国科学技术大学苏州研究院医学影像、机器人、分析计算与学习中心）

本文提出3DGR-CAR方法，利用三维高斯表示和高斯中心预测器，仅用2个超稀疏X射线视图即可实现快速准确的冠状动脉三维重建，在体素精度和视觉质量上显著优于现有方法。

2024-10-01cs.CVeess.IV

用于冠状动脉标注的Point Transformer

Point Transformer For Coronary Artery Labeling

Shen Zhen Raysight Intelligent Medical Technology Co., Ltd.（深圳睿思特智能医疗科技有限公司）

针对冠状动脉CT血管造影的自动血管标注需求，提出基于Point Transformer的仅需分割结果的标注方法，经53例数据验证有效且易推广至其他血管标注任务。

2023-05-04cs.CVeess.IV

可解释的深度学习算法用于通过超声心动图成像上的冠状动脉病变区分不完全川崎病

Explainable Deep Learning Algorithm for Distinguishing Incomplete Kawasaki Disease by Coronary Artery Lesions on Echocardiographic Imaging

Daegu Gyeongbuk Institute of Science & Technology（大邱庆北科学技术院）；Yonsei University College of Medicine（延世大学医学院）

背景与目的：不完全型川崎病（KD）由于缺乏经典型KD的临床表现，常被误诊。然而，它与冠状动脉病变的患病率明显较高有关。通过超声心动图识别冠状动脉病变对于KD的及时诊断和良好的预后非常重要。此外，与KD类似，目前引起全球大流行的2019年冠状病毒病也表现为发热;因此，在儿童发热性疾病中明确区分KD至关重要。在这项研究中，我们旨在验证用于KD和其他急性发热疾病分类的深度学习算法。方法：对88例川崎病患儿和65例肺炎患儿行超声心动图检查。我们使用收集的数据训练了六个深度学习网络（VGG 19，Xception，ResNet 50，ResNext 50，SE-ResNet 50和SE-ResNext 50）。结果：SE-ResNext 50在分类的准确性、特异性和精确性方面表现出最佳性能。SE-ResNext 50的准确性为76.35%，敏感性为82.64%，特异性为58.12%。结论：我们的研究结果表明，深度学习算法在检测冠状动脉病变以促进KD诊断方面与经验丰富的心脏病专家具有相似的性能。

2022-04-05cs.CVeess.IV

NeCA：基于神经隐式表示从两个二维投影重建三维冠状动脉树

NeCA: 3D Coronary Artery Tree Reconstruction from Two 2D Projections via Neural Implicit Representation

University of Oxford（牛津大学）；Institute of Biomedical Engineering（生物医学工程研究所）；Division of Cardiovascular Medicine（心血管医学科）

本文提出自监督深度学习方法NeCA，利用神经隐式表示和可微锥束投影，仅从两个二维冠状动脉造影投影重建三维冠状动脉树，无需三维标签或大型数据集，在拓扑和分支连通性上优于监督模型。

2024-12-13cs.CVeess.IV

一种用于血管造影图像中冠状动脉分割与狭窄定量检测的深度学习模型

A Deep Learning Model for Coronary Artery Segmentation and Quantitative Stenosis Detection in Angiographic Images

School of Mathematical Sciences, Ocean University of China（中国海洋大学数学科学学院）；School of Haide, Ocean University of China（中国海洋大学海德学院）；School of Ocean and Atmosphere, Ocean University of China（中国海洋大学海洋与大气学院）；Qilu Hospital (Qingdao), Cheeloo College of Medicine, Shandong University（山东大学齐鲁医院（青岛））

本研究针对冠状动脉造影人工分析的误差与主观性问题，提出结合MedSAM和VM-UNet的SAM-VMNet模型及动态队列法，实现冠脉自动分割与狭窄定量检测，在多数据集上表现良好，具临床价值。

2025-03-24cs.CVcs.LGeess.IV

评估编码器-解码器架构用于鲁棒冠状动脉分割

Assessing Encoder-Decoder Architectures for Robust Coronary Artery Segmentation

University of New South Wales（新南威尔士大学）

本文评估25种编码器-解码器组合在冠状动脉分割中的性能，发现EfficientNet-LinkNet组合最优，Dice系数0.882，优于MICCAI 2020挑战赛模型。

2023-10-16cs.CVeess.IV

心脏CT血管造影中冠状动脉和左室心肌的联合分析对功能显著狭窄患者的检测

Combined analysis of coronary arteries and the left ventricular myocardium in cardiac CT angiography for detection of patients with functionally significant stenosis

Image Sciences Institute, University Medical Center Utrecht（乌得勒支大学医学中心影像科学研究所）；University Medical Center Utrecht（乌得勒支大学医学中心）；Utrecht University（乌得勒支大学）；Amsterdam University Medical Center（阿姆斯特丹大学医学中心）

阻塞性冠状动脉疾病患者的治疗由冠状动脉狭窄的功能意义指导。在有创冠状动脉造影（ICA）期间测量的血流储备分数（FFR）被认为是定义冠状动脉狭窄功能意义的金标准。在这里，我们提出了一种无创检测功能显着的冠状动脉狭窄患者的方法，结合分析冠状动脉树和左心室（LV）心肌的心脏CT血管造影（CCTA）图像。我们回顾性收集了126例接受有创FFR测量的患者的CCTA扫描，以确定冠状动脉狭窄的功能意义。我们结合了我们以前的工作，用于分析完整的冠状动脉树和LV心肌：冠状动脉由两个不相交的卷积自动编码器（CAE）编码，LV心肌由卷积神经网络（CNN）和CAE表征。此后，使用提取的所有冠状动脉和LV心肌的编码，根据功能显著狭窄的存在对患者进行分类，如通过侵入性测量的FFR所定义的。为了处理患者中不同数量的冠状动脉，将分类公式化为多实例学习问题，并使用基于注意力的神经网络执行。交叉验证实验的平均面积在$0.74 \pm 0.01$的受试者工作特征曲线下，并表明，所提出的组合分析优于冠状动脉或LV心肌的分析。结果表明，在CCTA图像中结合完整冠状动脉树和LV心肌的分析用于检测冠状动脉功能显著狭窄患者的可行性。

2019-11-10cs.CVeess.IV

FAD-Net：面向有创冠状动脉造影图像冠状动脉分割的频域注意力引导扩散网络

FAD-Net: Frequency-Domain Attention-Guided Diffusion Network for Coronary Artery Segmentation using Invasive Coronary Angiography

Sichuan Normal University（四川师范大学）；Michigan Technological University（密歇根理工大学）；Kennesaw State University（肯尼索州立大学）

本研究提出FAD-Net模型，通过频域多级自注意力机制与低频扩散模块结合的策略，提升了有创冠状动脉造影的冠状动脉分割与狭窄检测精度，性能优于现有方法，具备临床应用潜力。

2025-06-13cs.CVeess.IV

基于Mamba模型的X射线血管造影冠状动脉狭窄分割

Segmentation of Coronary Artery Stenosis in X-ray Angiography using Mamba Models

Department of Mathematics, Statistics and Computer Science College of Science, University of Tehran（数学、统计与计算机科学系 科学学院 塔里班大学）

本研究采用五种Mamba模型和一种Swin Transformer模型（基于U-Net架构）进行X射线血管造影中冠状动脉狭窄分割，最佳U-Mamba BOT模型F1分数达68.79%，较半监督方法提升11.8%。

2024-12-03cs.AIcs.CVeess.IV

SS-CADA：一种半监督的跨解剖域自适应冠状动脉分割方法

SS-CADA: A Semi-Supervised Cross-Anatomy Domain Adaptation for Coronary Artery Segmentation

Shanghai Jiao Tong University（上海交通大学）；Peking Union Medical College Hospital（北京协和医院）

利用卷积神经网络分割冠状动脉是一种很有前途的方法，但需要大量的人工标注。从广泛可用的公共标记眼底图像（FI）中的视网膜血管转移知识有可能减少X射线血管造影（XA）中冠状动脉分割的注释要求，因为它们具有共同的管状结构。然而，由于在甚至不同的成像协议下的不同解剖区域中的本质上不同的血管特性，其受到跨解剖结构域移位的挑战。为了解决这个问题，我们提出了一个半监督跨解剖结构域自适应（SS-CADA），它只需要有限的注释冠状动脉在XA。在少量标记的XA和公开可用的标记的FI的监督下，我们提出了一种血管特异性批量归一化（VSBN），考虑到它们不同的跨解剖血管特征，对它们的特征图进行单独归一化。此外，为了进一步提高注释效率，我们采用了自组装均值教师（SEMT），通过施加预测一致性约束，利用丰富的未标记的XA。大量的实验表明，我们的SS-CADA是能够解决具有挑战性的跨解剖结构域转移，实现准确的分割冠状动脉只给少量的标记的XA。

2021-05-06cs.CVeess.IV

一种用于全连接冠状动脉提取的拓扑保持三阶段框架

A topology-preserving three-stage framework for fully-connected coronary artery extraction

Center for Digital Media Computing, School of Film, School of Informatics, Xiamen University（厦门大学电影学院、信息学院数字媒体计算中心）；Institute of Artificial Intelligence, Xiamen University（厦门大学人工智能研究院）；Peking Union Medical College Hospital（北京协和医院）；Shanghai United Imaging Intelligence Co., Ltd.（上海联影智能医疗科技有限公司）；City University of Hong Kong（香港城市大学）；Shanghai Clinical Research and Trial Center（上海临床研究与试验中心）

针对冠状动脉提取中的过分割与欠分割挑战，提出包含血管分割、中心线重连和缺失血管重建的拓扑保持三阶段框架，在ASOCA和PDSCA数据集上取得优异性能。

2025-04-02cs.CVeess.IV

MPSeg：冠状动脉分割的多阶段策略

MPSeg : Multi-Phase strategy for coronary artery Segmentation

Medipixel Inc（Medipixel公司）

针对冠状动脉分割的结构复杂性，提出多阶段策略MPSeg，按形态分LCA/RCA并部署专用集成模型，辅以细化模型，在ARCADE挑战中表现优异。

2023-11-17cs.CVcs.LGeess.IV

一种基于超像素粒子群优化的新型冠状动脉配准方法

A Novel Coronary Artery Registration Method Based on Super-pixel Particle Swarm Optimization

本文提出一种基于超像素粒子群优化的新型多模态冠状动脉图像配准方法，通过Steger算法提取特征并优化配准过程，有效解决了2D-3D跨模态配准中的大变形、低对比度和噪声问题，在准确率、鲁棒性和效率上均优于四种SOTA方法。

2025-05-30cs.CVeess.IV

DeepCA：基于深度学习的两幅二维非同步X射线血管造影投影三维冠状动脉树重建

DeepCA: Deep Learning-based 3D Coronary Artery Tree Reconstruction from Two 2D Non-simultaneous X-ray Angiography Projections

University of Oxford（牛津大学）；Institute of Biomedical Engineering（生物医学工程研究所）；Division of Cardiovascular Medicine（心血管医学部）；Radcliffe Department of Medicine（拉德克利夫医学系）；Oxford Acute Vascular Imaging Centre（牛津急性血管成像中心）

针对非同步X射线血管造影投影难以重建三维冠状动脉树的问题，提出DeepCA深度学习流程，利用Wasserstein条件生成对抗网络等隐式补偿运动，实现三维重建，并在真实数据上验证了良好性能。

2024-12-13cs.CVeess.IV

基于集成学习的多支冠状动脉分割与狭窄定位

Multivessel Coronary Artery Segmentation and Stenosis Localisation using Ensemble Learning

Birmingham City University（伯明翰城市大学）；University of the West of England (UWE)（西英格兰大学）；Institute of Accounting and Administration, University of Aveiro（阿威罗大学会计与行政学院）；NUS High School of Math and Science（新加坡国立大学数学与科学高中）；Qatar University（卡塔尔大学）；Information Technology University（信息技术大学）；Bristol Heart Institute, University of Bristol（布里斯托大学布里斯托心脏研究所）

本文提出一种基于五阶段训练策略和加权集成学习的端到端方案，用于多支冠状动脉分割与狭窄定位，并在 MICCAI 2023 ARCADE 挑战赛两个榜单上均获第 5 名。

2023-10-27cs.CVeess.IV

CADICA：一个利用侵入性冠状动脉造影进行冠状动脉疾病检测的新数据集

CADICA: a new dataset for coronary artery disease detection by using invasive coronary angiography

University of Málaga（马拉加大学）；Instituto de Investigación Biomédica de Málaga y Plataforma en Nanomedicina-IBIMA Plataforma BIONAND（马拉加生物医学与纳米医学平台研究所-IBIMA BIONAND平台）；Centro de Investigación Biomédica en Red de Enfermedades Cardiovasculares (CIBERCV)（心血管疾病网络生物医学研究中心）；Instituto de Salud Carlos III (ISCIII)（卡洛斯三世卫生研究所）

本文提出一个新的带标注侵入性冠状动脉造影数据集CADICA，包含患者视频和疾病元数据，并通过基线分类方法验证其可用于训练医生和开发CAD计算机辅助诊断系统。

2024-02-16cs.CVeess.IV

冠心病血管造影视频序列的自动深度学习分析

Automated Deep Learning Analysis of Angiography Video Sequences for Coronary Artery Disease

Bioinformatics Institute, Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局生物信息学研究所）；Hwa Chong Institution (College)（华侨中学（高中部））；National Heart Centre Singapore（新加坡国家心脏中心）；Duke-NUS Medical School（杜克-新加坡国立大学医学院）；School of Computing, National University of Singapore（新加坡国立大学计算学院）；Singapore Eye Research Institute (SERI)（新加坡眼科研究所）；Rehabilitation Research Institute of Singapore（新加坡康复研究所）；Institute of Bioengineering and Nanotechnology, A*STAR（新加坡科技研究局生物工程与纳米技术研究所）

冠状动脉中的阻塞（狭窄）的评估目前通过医师对冠状动脉血管造影视频序列的视觉评估来完成。这是费力的，并且容易受到观察者之间的差异的影响。以前的研究试图自动化这一过程，但很少有表现出一个完整的算法套件的血管造影片的端到端的分析。我们报告了一种基于深度学习的自动分析管道，可以快速客观地评估冠状动脉造影片，突出显示感兴趣的冠状动脉血管，并量化潜在的狭窄。我们提出了一个3阶段的自动分析方法，包括关键帧提取，血管分割，狭窄测量。我们将强大的深度学习方法（如ResNet和U-Net）与传统的图像处理和几何分析相结合。我们使用从三级心脏机构获得的匿名血管造影片在右冠状动脉（RCA）的左前斜（LAO）视图上训练和测试我们的算法，然后测试我们的技术对右前斜（RAO）视图的可推广性。我们证明了对之前工作的总体改进，关键帧提取前5名的精确度为98.4%，血管分割F1分数为0.891，狭窄测量为20.7% I型错误率。

2021-01-29cs.CVeess.IV

心脏CT血管造影中冠状动脉的深度学习分析，用于检测需要进行有创冠状动脉造影的患者

Deep learning analysis of coronary arteries in cardiac CT angiography for detection of patients requiring invasive coronary angiography

Image Sciences Institute, University Medical Center Utrecht（乌得勒支大学医学中心影像科学研究所）；University Medical Center Utrecht（乌得勒支大学医学中心）；Amsterdam University Medical Center（阿姆斯特丹大学医学中心）；Utrecht University（乌得勒支大学）

在患有阻塞性冠状动脉疾病的患者中，需要确定冠状动脉狭窄的功能意义以指导治疗。这通常通过在有创冠状动脉造影（ICA）期间进行的血流储备分数（FFR）测量来确定。我们提出了一种自动和无创检测需要ICA的患者的方法，采用心脏CT血管造影（CCTA）图像中完整冠状动脉的深度无监督分析。我们回顾性收集了187例患者的CCTA扫描，其中137例在192支不同的冠状动脉中进行了有创FFR测量。这些FFR测量值用作冠状动脉狭窄功能意义的参考标准。提取冠状动脉的中心线，并用于重建拉直的多平面重组（MPR）体积。为了自动识别需要ICA的功能显著狭窄的动脉，每个MPR体积被编码为固定数量的编码，使用两个不相交的3D和1D卷积自动编码器分别执行空间和顺序编码。此后，这些编码被用于使用支持向量机分类器对动脉进行分类。使用重复交叉验证实验评价的需要侵入性评价的冠状动脉的检测导致动脉水平上的$0.81 \pm 0.02$和患者水平上的$0.87 \pm 0.02$的受试者工作特征曲线下面积。结果证明了自动无创检测需要ICA和可能随后的冠状动脉介入治疗的患者的可行性。这可能会减少不必要地接受ICA的患者数量。

2019-11-10cs.CVeess.IV

CNN-CASS：用于MPR图像中冠状动脉狭窄评分分类的CNN

CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in MPR Images

Ukrainian Catholic University（乌克兰天主教大学）

为了减少患者等待冠状动脉疾病诊断的时间，自动方法被应用于使用冠状动脉计算机断层扫描血管造影扫描或提取的多平面重建（MPR）图像来识别其严重程度，为医生提供关于每个病例的优先级的第二意见。以前的研究的主要缺点是缺乏大量的数据，可以保证其可靠性。另一个限制是使用需要手动预处理的手工特征，例如中心线提取。我们通过应用基于ShuffleNet V2网络架构的不同自动化方法并在建议的MPR图像收集数据集上进行测试来克服这两个限制，该数据集比该领域以前使用的任何其他数据集都要大。我们还省略了中心线提取步骤和训练，并分别使用708和105例患者的全曲面MPR图像测试我们的模型。该模型预测三个类别之一：“无狭窄”为正常，“非显著”-检测到1-50%的狭窄，“显著”-超过50%的狭窄。我们通过可视化网络选择的最重要的特征来展示模型的可解释性。对于狭窄评分分类，该方法与以前的作品相比显示出改进的性能，在患者水平上达到80%的准确度。我们的代码是公开的。

2020-01-23cs.CVeess.IV

时间一致性心脏MRI序列的心肌分割用于冠状动脉疾病诊断

Myocardial Segmentation of Cardiac MRI Sequences with Temporal Consistency for Coronary Artery Disease Diagnosis

Guangdong Cardiovascular Institute（广东省心血管病研究所）；Guangdong Provincial People’s Hospital（广东省人民医院）；Guangdong Academy of Medical Sciences（广东省医学科学院）；University of Notre Dame（圣母大学）

冠状动脉疾病（CAD）是全球最常见的死亡原因，其诊断通常基于磁共振成像（MRI）序列的手动心肌分割。由于人工分割繁琐、耗时且适用性差，利用机器学习技术进行自动心肌分割成为近年来研究的热点。然而，几乎所有现有的方法都独立地处理输入MRI序列，这不能捕获序列之间的时间信息，例如，心肌的形状和位置信息沿时间顺序。在本文中，我们提出了一个心肌分割框架序列的心脏MRI（CMR）扫描图像的左心室腔，右心室腔，心肌。具体来说，我们建议结合传统的网络和经常性的网络，将序列之间的时间信息，以确保时间的一致性。我们在自动心脏诊断挑战（ACDC）数据集上评估了我们的框架。实验结果表明，我们的框架可以提高分割精度高达2%的骰子系数。

2020-12-29cs.CVeess.IV

释放视觉基础模型用于冠状动脉分割：并行 ViT-CNN 编码与变分融合

Unleashing Vision Foundation Models for Coronary Artery Segmentation: Parallel ViT-CNN Encoding and Variational Fusion

National-Local Joint Engineering Research Center of Biodiagnosis \& Biotherapy, the Second Affiliated Hospital of Xi’an Jiaotong University, Xi’an, 710004, China Institute of Medical Artificial Intelligence, the Second Affiliated Hospital of Xi’an Jiaotong University, Xi'an, 710004, China Viadrina European University, Frankfurt (Oder), 15230, Germany

本文提出一种并行 ViT-CNN 编码与跨分支变分融合的冠状动脉分割框架，并引入证据学习不确定性细化模块，在多个数据集上显著优于现有方法。

2025-07-17cs.CVeess.IV

基于风格转移的X射线冠状动脉图像分割

Style Transfer based Coronary Artery Segmentation in X-ray Angiogram

X线冠状动脉造影（XCA）是用于识别冠状动脉疾病的主要方法。基于深度学习的网络最近在XCA扫描诊断冠状动脉疾病方面显示出巨大的前景。本文提出了一种基于深度学习的边缘自适应实例归一化风格转移技术来分割冠状动脉。该技术将自适应实例归一化风格传输与密集极端起始网络和卷积块注意模块相结合，以获得最佳的动脉分割性能。我们在两个公开的XCA数据集上测试了所提出的方法，并实现了0.9658的分割精度和0.71的Dice系数。我们相信，所提出的方法表明，预测可以在最快的时间内完成与自然图像上的训练，并可以可靠地用于诊断和检测冠状动脉疾病。

2021-09-03eess.IV

使用深度学习进行人体冠状动脉成像的结构约束虚拟组织学染色

Structural constrained virtual histology staining for human coronary imaging using deep learning

The University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）；The Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）

组织学分析在冠状动脉疾病（CAD）的动脉表征中至关重要。然而，组织学需要一个侵入性和耗时的过程。在本文中，我们建议使用光学相干断层扫描（OCT）图像生成虚拟组织学染色，以实现实时组织学可视化。我们开发了一个深度学习网络，即Coronary-GAN，将冠状动脉OCT图像转换为虚拟组织学图像。通过特别考虑冠状动脉OCT图像中的结构约束，我们的方法比传统的基于GAN的方法实现了更好的图像生成性能。实验结果表明，Coronary-GAN生成的虚拟组织学图像与真实组织学图像相似，揭示了人体冠状动脉层。

2022-11-12cs.CVeess.IV

基于轮廓正则化混合网络的CCTA扫描冠状动脉壁分割

Coronary Wall Segmentation in CCTA Scans via a Hybrid Net with Contours Regularization

The University of Tokyo（东京大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Sakurabashi Watanabe Hospital（樱桥渡边医院）

冠状动脉边界的闭合和良好的连接是必不可少的，以帮助心脏病专家在诊断冠状动脉疾病（CAD）。最近，已经提出了几种基于深度学习的方法用于医学图像中的边界检测和分割。然而，当应用于冠状动脉壁检测时，它们往往会产生不连续和不准确的边界。在本文中，我们提出了一种新的冠状动脉的边界检测方法，重点是连续性和连通性的边界。为了对连续图像的空间连续性进行建模，我们的混合架构采用体积（即，冠状动脉的一段）作为输入并检测目标切片的边界（即，段的中心切片）。然后，为了确保封闭的边界，我们提出了一个轮廓约束加权Hausdorff距离损失。我们在34例冠状动脉CT血管造影扫描患者的数据集上评估了我们的方法，这些患者具有动脉的曲面重建（CCTA-CPR）（即，横截面）。实验结果表明，我们的方法可以产生光滑的封闭边界优于国家的最先进的精度。

2020-02-27cs.CVeess.IV

YOLO-Angio：一种冠状动脉解剖分割算法

YOLO-Angio: An Algorithm for Coronary Anatomy Segmentation

Northwestern Medicine（西北医学）；Northwestern University（西北大学）

针对冠状动脉造影自动分割与定位方法缺乏的问题，提出YOLO-Angio三阶段算法，结合经典CV预处理、YOLOv8集成模型及基于图的逻辑排序重建冠状动脉树，在MICCAI 2023 ARCADE挑战赛中总成绩第三，验证集和留出集F1分数分别为0.422和0.4289。

2023-10-24cs.CVeess.IV

用于心脏CT血管造影扫描中自动冠状动脉中心线提取的多分辨率3D卷积神经网络

Multi-Resolution 3D Convolutional Neural Networks for Automatic Coronary Centerline Extraction in Cardiac CT Angiography Scans

本文提出一种基于多分辨率3D双通道卷积神经网络的自动冠状动脉树中心线追踪器（AuCoTrack），通过预测血管方向、分叉及端点实现迭代追踪，在专有数据集和CAT08基准上均取得了优于现有技术的重叠得分和检测率。

2020-12-07cs.CVeess.IV

利用深度学习在侵入性冠状动脉造影中自动提取冠状动脉

Automatic extraction of coronary arteries using deep learning in invasive coronary angiograms

Zhengzhou University of Light Industry（郑州轻工业大学）；Michigan Technological University（密歇根理工大学）；The First Affiliated Hospital of Nanjing Medical University（南京医科大学第一附属医院）

本研究提出U-Net 3+深度学习模型，利用全尺度跳跃连接和深度监督，在616个ICA数据集上实现冠状动脉自动提取，Dice分数达0.8942，优于U-Net和U-Net++，具有临床潜力。

2022-06-24cs.CVeess.IV

用于临床相关冠状动脉分割的编码器-解码器架构

Encoder-Decoder Architectures for Clinically Relevant Coronary Artery Segmentation

INESC-ID（里斯本系统与计算机工程研究所）；Instituto Superior Técnico, University of Lisbon（里斯本大学高等技术学院）；Lisbon School of Medicine, University of Lisbon（里斯本大学里斯本医学院）

冠状动脉X射线血管造影术是诊断和治疗冠状动脉疾病的重要临床程序，每年约占全球死亡人数的16%。然而，在这些程序中获得的图像具有低分辨率和差的对比度，使得病变检测和评估具有挑战性。准确的冠状动脉分割不仅有助于缓解这些问题，而且还可以提取相关的解剖特征，以进一步分析的定量方法。尽管之前已经提出了冠状动脉的自动分割，但是之前的方法使用了非最佳分割标准，导致不太有用的结果。大多数方法要么只分割主要血管，丢弃其余血管的重要信息，要么主要基于对比度信息分割整个冠状动脉树，产生包括与诊断无关的血管的噪声输出。我们采用更适合的临床标准，并根据其临床相关性分割血管。此外，我们同时执行导管分割，由于导管的已知直径提供的比例因子，这可能对诊断有用，并且这是一项尚未获得良好结果的任务。为了获得最佳方法，我们对在焦点损失和广义骰子损失的变体的组合上训练的编码器-解码器架构进行了广泛的比较研究。基于EfficientNet和UNet++架构，我们提出了一系列高效和高性能的分割模型，使用新的解码器架构，EfficientUNet++，其最佳性能版本分别实现了动脉和导管类的平均骰子得分为0.8904和0.7526，平均广义骰子得分为0.9234。

2021-06-21cs.CVcs.LGeess.IV

基于深度学习的冠状动脉自动检测目标检测方法

Object Detection for Automated Coronary Artery Using Deep Learning

本文利用基于卷积神经网络的目标检测方法对X射线血管造影图像进行分析，实现冠状动脉狭窄位置的自动实时检测，辅助医疗决策。

2024-04-30cs.CVcs.LGeess.IV

深度自知识蒸馏：一种用于冠状动脉分割的分层监督学习方法

Deep Self-knowledge Distillation: A hierarchical supervised learning for coronary artery segmentation

Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学深圳学院）；Xiamen University, Xiamen, China（厦门大学）

针对现有冠状动脉分割方法性能不足、现有知识蒸馏未充分利用分层知识的问题，提出结合深度分布损失与像素级自知识蒸馏损失的深度自知识蒸馏方法，在XCAD和DCA1数据集上多项指标优于对比模型。

2025-09-03cs.CVcs.LGeess.IV

基于三维多通道U形网的心脏CT造影冠状动脉分割

Coronary Artery Segmentation in Cardiac CT Angiography Using 3D Multi-Channel U-net

血管狭窄是心血管疾病（CVD）的主要危险因素。为了分析血管狭窄程度以支持治疗管理，从计算机断层扫描血管造影（CTA）中提取冠状动脉区域被认为是关键步骤。然而，心脏病专家的手动分割可能是一项耗时的任务，并且存在显著的观察者间差异。尽管已经开发了各种计算机辅助方法来支持CTA中的冠状动脉分割，但由于斑块的复杂衰减外观，结果仍然不可靠，这是狭窄的原因。为了克服衰减模糊带来的困难，本文提出了一种三维多通道U-Net结构，用于全自动三维CTA冠状动脉重建。除了使用原始CTA图像之外，所提出的方法的主要思想是将血管性图合并到U-Net的输入中，其用作增强信息以突出冠状动脉的管状结构。实验结果表明，所提出的方法可以实现一个骰子相似系数（DSC）的0.8相比，以前的CNN方法达到约0.6。

2019-07-29eess.IV

TransCC：用于冠状动脉CCTA分割的Transformer网络

TransCC: Transformer Network for Coronary Artery CCTA Segmentation

Anhui University（安徽大学）；Hefei Comprehensive National Science Center（合肥综合性国家科学中心）；University of British Columbia（不列颠哥伦比亚大学）

针对CCTA冠状动脉分割中固定块嵌入破坏局部结构、需兼顾全局局部特征的问题，提出融合Transformer与CNN的TransCC框架，通过FIE模块与MEP模块优化，分割性能优于现有方法。

2023-10-07cs.CVeess.IV

基于深度神经网络的冠状动脉狭窄自动检测

Automated Detection of Coronary Artery Stenosis in X-ray Angiography using Deep Neural Networks

Instituto Superior Técnico（高等技术学院）；University of Lisbon（里斯本大学）；CCUL（里斯本大学中心学院）；Lisbon School of Medicine（里斯本医学院）

冠状动脉疾病导致狭窄，冠状动脉的部分或全部阻塞，是一种严重的疾病，每年影响数百万患者。自动识别和分类的狭窄严重程度的微创手术将是很大的临床价值，但现有的方法不匹配的准确性，有经验的心脏病学家，由于任务的复杂性。尽管迄今为止已经提出了许多用于定量评估狭窄的计算方法，但这些方法的性能仍然远远达不到临床应用所需的水平。在本文中，我们提出了一个两步深度学习框架，用于部分自动检测X射线冠状动脉造影图像中的狭窄。在这两个步骤中，我们使用了两个不同的卷积神经网络架构，一个用于自动识别和分类视角，另一个用于确定狭窄可见的帧中感兴趣区域的边界框。迁移学习和数据增强技术用于提高系统在这两项任务中的性能。我们在左/右冠状动脉（LCA/RCA）角度视图分类任务上实现了0.97的准确性，在LCA和RCA的感兴趣区域确定上分别实现了0.68/0.73的召回率。这些结果与使用相关方法获得的先前结果相比是有利的，并且为从X射线血管造影识别狭窄严重程度的全自动方法开辟了道路。

2021-03-04cs.CVcs.LGeess.IV

基于网格先验的冠状动脉斑块自动量化与CAD-RADS预测

Automatic Coronary Artery Plaque Quantification and CAD-RADS Prediction using Mesh Priors

本研究提出基于中心线先验直接推断冠状动脉管腔和斑块表面网格的方法，用于自动量化斑块体积并预测CAD-RADS分级，在2407次CCTA扫描上验证了可行性。

2023-10-17eess.IV

Transformer网络用于冠状动脉CCTA显著狭窄的检测

Transformer Network for Significant Stenosis Detection in CCTA of Coronary Arteries

Harbin Institute of Technology（哈尔滨工业大学）

冠状动脉疾病（CAD）长期以来一直是全球心血管疾病患者生命的主要威胁。因此，CAD的自动诊断在临床医学中具有不可或缺的意义。然而，冠状动脉粥样硬化斑块的复杂性使得冠状动脉CT血管造影（CCTA）中冠状动脉狭窄的自动检测成为一项困难的任务。在本文中，我们提出了一个Transformer网络（TR-Net），用于自动检测显著狭窄（即管腔狭窄> 50%），同时实际完成CAD的计算机辅助诊断。所提出的TR-Net引入了一种新颖的Transformer，并将卷积层和Transformer编码器紧密结合在一起，从而在任务中展示了它们的优势。通过分析语义信息序列，TR-Net可以充分理解多平面重组（MPR）图像中每个位置的图像信息之间的关系，并基于局部和全局信息准确检测显著狭窄。我们在由经验丰富的放射科医生注释的来自不同患者的76名患者的数据集上评估了我们的TR-Net。实验结果表明，我们的TR-Net在ACC（0.92），Spec（0.96），PPV（0.84），F1（0.79）和MCC（0.74）指标上取得了更好的结果。源代码可从链接（https：//github.com/XinghuaMa/TR-Net）公开获取。

2021-09-27cs.CVeess.IV

基于深度学习的冠状动脉沿程血流储备分数预测

Deep Learning-Based Prediction of Fractional Flow Reserve along the Coronary Artery

本文提出一种基于深度学习的CCTA无创预测方法，利用变分自编码器和CNN结合EMD及直方图损失函数预测冠状动脉沿程FFR，实现狭窄位置识别并区分弥漫性与局灶性CAD。

2023-08-09cs.CVcs.LGeess.IV

基于深度三维卷积神经网络的冠状动脉粥样硬化自动检测和CT造影的弱监督定位

Automated Coronary Artery Atherosclerosis Detection and Weakly Supervised Localization on Coronary CT Angiography with a Deep 3-Dimensional Convolutional Neural Network

The Ohio State University College of Medicine（俄亥俄州立大学医学院）

我们提出了一种基于深度学习框架的全自动算法，能够筛选冠状动脉计算机断层扫描血管造影（CCTA）检查，以确信检测是否存在冠状动脉粥样硬化。该系统首先从CCTA数据集中提取冠状动脉及其分支，并将其表示为多平面重组体积;然后应用预处理和增强技术来提高系统的鲁棒性和泛化能力。利用三维卷积神经网络（3D-CNN）来对病理变化（例如，动脉粥样硬化斑块）。该系统学习具有和不具有动脉粥样硬化的血管之间的区别特征。在最后的卷积层的区别性功能可视化显着图的方法，提供与动脉粥样硬化的可能性和位置的视觉线索。我们在代表247例动脉粥样硬化患者和246例无动脉粥样硬化患者的参考数据集上评估了该系统。通过五重交叉验证，在阈值0.5的动脉/分支水平实现了准确度= 90.9%，阳性预测值= 58.8%，灵敏度= 68.9%，特异性= 93.6%，阴性预测值（NPV）= 96.1%。受试者工作特征曲线下的平均面积为0.91。该系统显示高NPV，这可能有助于解释医生排除急性胸痛患者的冠状动脉粥样硬化。

2020-06-08cs.LGeess.IV

使用IVUS成像在动脉粥样硬化中检测冠状动脉斑块的联邦学习：多医院协作

Federated Learning for Coronary Artery Plaque Detection in Atherosclerosis Using IVUS Imaging: A Multi-Hospital Collaboration

Research Center for Information Technology Innovation, Academia Sinica（中央研究院资讯科技创新研究中心）；National Taiwan University（台湾大学）；Taipei Veterans General Hospital（台北荣民总医院）；National Yang Ming Chiao Tung University（阳明交通大学）

针对PCI期间IVUS图像解读耗时且跨院数据受隐私限制的问题，提出基于联邦学习的多阶段并行2D U-Net模型，通过极坐标转换与EEM及管腔区域相减分割斑块，实现0.706的DSC，有效支持多医院隐私安全下的实时斑块检测。

2024-12-19cs.CVeess.IV

冠状动脉网格上的血流动力学标量场学习：几何深度学习模型基准测试

Learning Hemodynamic Scalar Fields on Coronary Artery Meshes: A Benchmark of Geometric Deep Learning Models

Politecnico di Milano（米兰理工大学）；University of Twente（特文特大学）；Centro Cardiologico Monzino IRCCS（蒙齐诺心脏中心IRCCS）；University of Milan（米兰大学）；Amsterdam UMC（阿姆斯特丹大学医学中心）；University of Amsterdam（阿姆斯特丹大学）

本研究通过合成和患者特异性数据基准测试六种几何深度学习后端，发现Transformer模型在预测冠状动脉vFFR场中表现最优，压降是最佳学习变量，可有效替代CFD。

2025-01-23cs.CVcs.LGeess.IV

4D心血管重建与全息技术的创新融合：一种用于冠状动脉旁路移植术规划的新型可视化工具

Innovative Integration of 4D Cardiovascular Reconstruction and Hologram: A New Visualization Tool for Coronary Artery Bypass Grafting Planning

Tsinghua University（清华大学）；PLA General Hospital（中国人民解放军总医院）；Chinese PLA Medical School（中国人民解放军医学院）

本研究开发了一套融合4D心血管重建与全息技术的CABG术前规划可视化工具，经外科医生评估和临床对比验证，实用性强且粘连评估准确性高，可为术前规划提供有效支持。

2025-04-28cs.CVcs.GReess.IV

两种新的冠状动脉造影狭窄检测方法

Two New Stenosis Detection Methods of Coronary Angiograms

冠状动脉造影是诊断冠状动脉疾病（CAD）的“金标准”。目前，用于检测和评价冠状动脉狭窄的方法不能满足临床需要，例如，在临床实践中需要检测预先指定的血管段中的狭窄，但在此之前没有研究。提出了两种血管狭窄检测方法来辅助诊断。第一种是自动方法，它可以自动提取整个冠状动脉树并标记所有可能的狭窄。第二种是交互式方法。使用该方法，用户可以选择任何血管段对其狭窄进行进一步分析。实验结果表明，该方法对不同血管结构的血管图像具有较好的鲁棒性。自动狭窄检测方法的精度、灵敏度和$F_1$评分分别为0.821、0.757和0.788。进一步的研究表明，交互式方法可以提供更精确的狭窄检测结果，我们的定量分析更接近现实。所提出的自动化方法和交互式方法是有效的，可以在临床实践中相互补充。第一种方法可用于初步筛选，第二种方法可用于进一步定量分析。我们相信所提出的解决方案更适合于CAD的临床诊断。

2021-12-14cs.CVeess.IV

在国家肺癌筛查试验CT图像中评估冠状动脉钙化（DeepCAC2）

Coronary artery calcification assessment in National Lung Screening Trial CT images (DeepCAC2)

Mass General Brigham, Harvard Medical School（马萨诸塞综合 Brigham，哈佛医学院）；Maastricht University（马斯特里赫特大学）；Dana-Farber Cancer Institute, Brigham and Women’s Hospital, Harvard Medical School（达纳-法伯癌症研究所，布莱姆妇女医院，哈佛医学院）；Goethe University（歌德大学）；Massachusetts General Hospital and Harvard Medical School（马萨诸塞州总医院和哈佛医学院）；Brigham and Women’s Hospital, Harvard Medical School（布莱姆妇女医院，哈佛医学院）

本文提出DeepCAC2数据集，利用深度学习自动处理NLST的CT扫描，生成标准化的冠状动脉钙化分割和风险评估，为心血管风险评估和影像生物标志物开发提供公开资源。

2026-03-25eess.IV

两种新的冠状动脉造影狭窄检测方法

Two New Stenosis Detection Methods of Coronary Angiograms

School of Computer Science and Technology, Ocean University of China（中国海洋大学计算机科学与技术学院）；School of Material Science and Engineering, Ocean University of China（中国海洋大学材料科学与工程学院）；School of Mathematical Sciences, Ocean University of China（中国海洋大学数学科学学院）；Department of Cardiology, Qilu Hospital (Qingdao), Cheeloo College of Medicine, Shandong University（山东大学齐鲁医学院齐鲁医院（青岛）心内科）

冠状动脉造影是诊断冠状动脉疾病（CAD）的“金标准”。目前，用于检测和评价冠状动脉狭窄的方法不能满足临床需要，例如，在临床实践中需要检测预先指定的血管段中的狭窄，但在此之前没有研究。提出了两种血管狭窄检测方法来辅助诊断。第一种是自动方法，它可以自动提取整个冠状动脉树并标记所有可能的狭窄。第二种是交互式方法。使用该方法，用户可以选择任何血管段对其狭窄进行进一步分析。实验结果表明，该方法对不同血管结构的血管图像具有较好的鲁棒性。自动狭窄检测方法的精度、灵敏度和$F_1$评分分别为0.821、0.757和0.788。进一步的研究表明，交互式方法可以提供更精确的狭窄检测结果，我们的定量分析更接近现实。所提出的自动化方法和交互式方法是有效的，可以在临床实践中相互补充。第一种方法可用于初步筛选，第二种方法可用于进一步定量分析。我们相信所提出的解决方案更适合于CAD的临床诊断。

2021-12-14cs.CVeess.IV

基于伪标签生成的跨任务数据增强用于区域冠状动脉实例分割

Cross-Task Data Augmentation by Pseudo-label Generation for Region Based Coronary Artery Instance Segmentation

Nepal Applied Mathematics and Informatics Institute for research(NAAMII)（尼泊尔应用数学与信息学研究所）；Fogsphere(Redev AI Ltd.)（Fogsphere（Redev AI有限公司））；University of Lausanne（洛桑大学）；School of Natural and Computing Sciences, University of Aberdeen（阿伯丁大学自然与计算科学学院）

本研究提出利用伪标签进行跨任务数据增强，以解决冠状动脉血管造影数据有限的问题，提升YOLO分割模型性能，验证集F1提升9%，测试集提升3%。

2024-07-19cs.CVcs.LGeess.IV

使用深度学习在非对比剂钙化评分CT图像中进行冠状动脉分割

Coronary artery segmentation in non-contrast calcium scoring CT images using deep learning

Graylight Imaging（格雷莱特成像公司）；University of Silesia（西里西亚大学）；Silesian University of Technology（西里西亚工业大学）；Silesian Center for Heart Diseases（西里西亚心脏病中心）

针对非对比剂钙化评分CT中冠状动脉难以分割的问题，提出结合图像配准半自动生成GT的深度学习分割方法，并以人工网格到图像配准构建测试GT，使模型精度超过训练GT且接近评估者间一致性。

2024-03-04cs.CVcs.LGeess.IV

心阻抗图对冠状动脉病变的检测与定位

Detection and localization of Coronary Arterial Lesion with the Aid of Impedance Cardiography

近年来，冠状动脉疾病不断升级，到2030年可能会成为流行病。目前检测冠状动脉病变的可靠方法是常规冠状动脉造影（CAG）或MDCT（Multiple Detector计算机断层成像）冠状动脉造影。常规CAG是一种侵入性手术。传统的CAG和CT（计算机断层成像）血管造影都需要介入心脏病专家或放射科专家的专业监督。在这项工作中，我们提出了一种新的设计和方法，用于无创检测和定位冠状动脉病变的心阻抗图（ICG）。该装置记录的ICG信号用于提取特征点并计算增强指数、幅度和其他与时间相关的参数。提取的特征被用作训练的人工神经网络的输入，用于检测和预测冠状动脉病变。经过训练的网络生成专门的模型，用于诊断动脉病变。该方法对左冠状动脉主干（LMCA）、左前降支（LAD）、对角支、左旋支（LCX）、右冠状动脉（RCA）病变的检出率分别为92%、82%、76%、76%、84%。所提出的设备也可以由普通个体用于检测动脉病变，而无需任何专家监督，无需辅助。该算法消除了冠状动脉病变（狭窄）的诊断CAG的需要，并提供了一个新的方法，心血管血流动力学的无创监测，检测和冠状动脉病变的定位洞察。

2020-03-26eess.IVeess.SPphysics.med-ph

ImageCAS：基于计算机断层扫描血管造影图像的冠状动脉分割大规模数据集与基准

ImageCAS: A Large-Scale Dataset and Benchmark for Coronary Artery Segmentation based on Computed Tomography Angiography Images

Guangdong University of Technology（广东工业大学）；Guangdong Provincial People’s Hospital (Guangdong Academy of Medical Sciences)（广东省人民医院（广东省医学科学院））；Southern Medical University（南方医科大学）；Missouri University of Science and Technology（密苏里科技大学）

本文提出冠状动脉CTA分割的大规模数据集ImageCAS及基准，并设计结合多尺度补丁融合与两阶段处理的强基线方法，实验证明其性能优于现有方法。

2023-10-17cs.LGeess.IV

基于形态学的冠状动脉CT与血管内图像非刚性配准：通过虚拟导管路径优化

Morphology-based non-rigid registration of coronary computed tomography and intravascular images through virtual catheter path optimization

Max L. Olender；Andreas Schuh；Abhishek Karmakar；Kersten Petersen；Michiel Schaap；David Marlevi；Charles Taylor；Elazer R. Edelman；Farhad R. Nezami

提出基于形态学的可微分框架，通过优化虚拟导管路径实现CCTA与血管内图像的非刚性配准，在多中心40例患者中显著优于其他方法，减少人工并支持机器学习配准。

2024-10-02cs.CVeess.IV

O2CTA：在冠状动脉斑块分析中引入从OCT到CCTA的标注

O2CTA: Introducing Annotations from OCT to CCTA in Coronary Plaque Analysis

Dushu Lake Hospital Affiliated to Soochow University（苏州大学附属独墅湖医院）；Institution for Hypertension of Soochow University（苏州大学高血压研究所）；University of Science and Technology of China（中国科学技术大学）

本文提出O2CTA方法，通过多平面重建、空间对齐及3D CNN与Transformer分类模型，将OCT斑块标注迁移到CCTA，在55对数据上实现86.2%的分类准确率，验证了跨模态标注引入的可行性。

2023-08-11cs.CVeess.IV

CathAI：使用神经网络对冠状动脉造影片进行全自动判读

CathAI: Fully Automated Interpretation of Coronary Angiograms Using Neural Networks

冠心病（CHD）是美国和世界范围内成人死亡的主要原因，冠状动脉造影术是诊断和临床管理决策的主要途径。冠状动脉血管造影片解读的标准治疗取决于医生操作员的专门目视评估。然而，血管造影片的特别视觉解释可重复性差、高度可变且易于偏倚。在这里，我们第一次展示了使用一系列深度神经网络算法来估计冠状动脉狭窄的全自动血管造影片解释是可能的。我们开发的算法流水线-称为CathAI-在完成自动解释真实世界血管造影片所需的一系列任务中实现了最先进的性能。CathAI（算法1-2）显示出阳性预测值、灵敏度和F1评分>=90%，以识别总体投影角度，并且>=93%用于左或右冠状动脉血管造影检测（主要感兴趣解剖结构）。为了预测阻塞性冠状动脉狭窄（>=70%狭窄），CathAI（算法4）显示出0.862（95% CI：0.843-0.880）的受试者工作特征曲线下面积（AUC）。当在另一个国家的医疗保健系统中进行外部验证时，CathAI AUC为0.869（95% CI：0.830-0.907），可预测阻塞性冠状动脉狭窄。我们的研究结果表明，多个专用的神经网络可以依次运行，以完成自动分析真实世界血管造影片所需的一系列复杂任务。CathAI的部署可能有助于提高冠状动脉狭窄评估的标准化和再现性，同时为完成算法血管造影解释的未来任务提供坚实的基础。

2021-06-14cs.AIcs.CVcs.LG

基于深度学习的不同病变程度范围冠状动脉疾病分类

Coronary Artery Disease Classification with Different Lesion Degree Ranges based on Deep Learning

University of Málaga（马拉加大学）；Instituto de Investigación Biomédica de Málaga y Plataforma en Nanomedicina-IBIMA Plataforma BIONAND（马拉加生物医学与纳米医学平台研究所-IBIMA BIONAND平台）；Centro de Investigación Biomédica en Red de Enfermedades Cardiovasculares (CIBERCV)（心血管疾病 red 生物医学研究中心（CIBERCV））；Instituto de Salud Carlos III (ISCIII)（卡洛斯三世卫生研究所（ISCIII））；Hospital Universitario Virgen de la Victoria（维多利亚圣母大学医院）

本研究针对不同病变程度的有创冠状动脉造影图像二分类任务，使用带7级病变标注的数据集训练5种卷积神经网络，通过多组实验分析病变程度对分类性能的影响，验证了病变程度对分类准确率的显著作用。

2024-02-16cs.CVeess.IV

DINO-LG：通过标签引导增强视觉变换器用于冠状动脉钙化检测

DINO-LG: Enhancing Vision Transformers with Label Guidance for Coronary Artery Calcium Detection

University of Kentucky（肯塔基大学）；Department of Software Engineering, Karabuk University（卡拉巴克大学软件工程系）

DINO-LG通过标签引导增强视觉变换器，提升冠状动脉钙化检测的准确性和效率，降低假阳性与假阴性率，提高诊断精度并减少医疗成本。

2026-02-10cs.AIcs.CVeess.IV

使用深度学习和放射组学从CCTA扫描中表征冠状动脉斑块

Coronary Artery Plaque Characterization from CCTA Scans using Deep Learning and Radiomics

Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Siemens Healthcare GmbH（西门子医疗有限公司）；University Clinic Frankfurt（法兰克福大学诊所）；Cardioangiological Centrum Bethanien（贝塔尼恩心血管中心）

在冠状动脉CT血管造影扫描中评估冠状动脉斑块段是改善患者管理和临床结局的重要任务，因为它可以帮助决定是否需要侵入性检查和治疗。在这项工作中，我们提出了三种能够执行此任务的机器学习方法。第一种方法是基于放射组学，其中斑块分割用于计算不同图像变换下的各种基于形状、强度和纹理的特征。第二种方法是基于深度学习，并依赖于中心线提取作为唯一的先决条件。在第三种方法中，我们将深度学习方法与放射组学特征相融合。根据我们的数据，这些方法达到了与模拟血流储备分数（FFR）测量相似的分数，与我们的方法相反，模拟血流储备分数测量需要对整个冠状动脉树进行精确分割，并且通常需要耗时的手动交互。在文献中，模拟FFR的性能达到0.79-0.93之间的AUC，预测需要血运重建的异常侵入性FFR。放射组学方法实现的AUC为0.86，深度学习方法为0.84，组合方法为0.88，用于直接预测血运重建决策。虽然所有三种提出的方法都可以在几秒钟内确定，但FFR模拟通常需要几分钟。提供了足够数量的代表性训练数据，我们相信，所提出的方法可以用于创建各种不良心脏事件的全自动无创风险评估系统。

2019-12-13cs.CVcs.LGeess.IV