本文研究了冠状动脉内光干涉断层扫描（OCT）中因血液残留和气泡产生的衰减伪影的问题，这些伪影可能遮挡重要的血管结构。研究提出了一种卷积神经网络，通过分析二维图像中的特征，在多个坐标系中自动检测伪影，达到了高达0.94的严密伪影检测精度，显著提升了自动识别和图像再获取的效率。

本研究提出了一种名为TabulaTime的多模态深度学习框架，结合时间序列空气污染数据与临床数据，显著提高急性冠状动脉综合征的预测准确性，提升超过20%。

本研究提出了一种新算法，提升冠状动脉钙化评分的准确性和可解释性，强调对心脏解剖结构的理解，并验证了其在多供应商数据集上的优越性。

本研究提出了一种新方法，利用U-Mamba BOT模型自动识别X射线图像中的冠状动脉狭窄，F1分数达到68.79%，比半监督方法提高11.8%。

本研究提出DINO-LG模型，通过自监督学习提高冠状动脉钙化评分的准确性，专注于钙化区域，显著改善评分和分割性能，为冠状动脉疾病的预防提供更精确的工具。

本研究开发了一种深度学习算法（AI-CAC），解决了非心脏CT扫描中未被常规量化的冠状动脉钙化问题。研究证明AI-CAC在预测长期死亡率和心血管事件方面优于以往算法。

本研究提出了NeRF-CA方法，通过冠状动脉的运动将场景分解为动态和静态组件，实现了从仅有四个造影序列中进行高质量的4D重建。

本研究提出了辅助输入训练（AIT）方法，通过融入导管特征，提高了动态冠状动脉路标技术的图像配准精度。研究结果显示，该方法在知识集成和迁移学习方面优于现有基准，具有临床应用潜力。

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...

本研究探讨了冠状动脉计算机断层血管造影术中体积和组织密度特征与个体年龄的关系，发现了局部影响和性别差异。

该研究提出了一种基于X射线血管造影图像的自动冠状动脉疾病诊断方法，通过预处理和特征选择提高血管分割准确性，利用YOLOv8生成血管图像并重构冠状血管树。在ARCADE挑战中，该方法获得第三名，验证集和保留集的F1得分分别为0.422和0.4289。

我们介绍了一种名为 MPSeg 的创新多阶段策略，专门用于冠状动脉分割，其采用了分离左冠状动脉和右冠状动脉以及集成模型等方法，针对冠状动脉的结构复杂性和 SYNTAX Score 的原则进行了设计和优化，并在 MICCAI 2023 年的 ARCADE 挑战中表现出了卓越的效果。

该研究提出了一种基于X射线血管造影图像的自动区域冠状动脉疾病诊断方法，通过经典计算机视觉的预处理和特征选择，增强血管对比度来提高血管分割准确性，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。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。

该论文提出了一种针对股动脉成形术中 X 射线荧光镜下设备跟踪的深度学习框架，能够更好地检测支架。实验结果表明，该方法比最先进的基于点追踪模型表现更好，并且具有快速推断速度，满足临床需求。

研究发现，EfficientNet-LinkNet组合在冠状动脉分割中表现出色，Dice系数为0.882，95％分位数的Hausdorff距离为4.753，为未来进展奠定基础，为改进诊断和治疗策略开辟新的可能性。

该研究使用冠状动脉神经网络方法，利用RCA血管造影图像进行心脏支配分类算法的研究，成功实现了满意的准确性。在RCA闭塞的情况下，利用LCA信息并检测高度不确定的情况可以提高准确性。

本文利用DNA位点级别上的SNPs数据，从数据科学的视角探讨了冠状动脉疾病的预测。研究中介绍了两种常用的监督学习算法和二维降维技术，进行了误差比较分析，结果显示随机森林预测模型的准确率和ROC曲线面积优于传统方法。

本研究开发了深度学习框架，用于预测血栓形成风险与患者左心房附属物几何形状和内皮细胞活化潜力分布相关。该模型在综合合成和54个真实的LAA数据集上进行训练，平均绝对误差为0.563。