本研究解决了术前CT中内脏脂肪组织(VAT)分割的不足,尤其是由于观察者间变异性和缺乏真实标记的阻碍。文章提出了一种全自动的KEVS方法,结合深度学习语义分割与高斯核密度估计,能够在没有真实标记的情况下,实现更精准的VAT预测。研究结果表明,KEVS相比现有方法在Dice系数上提高了4.80%和6.02%,展示了其在减少观察者变异性方面的潜力。
该文综述心血管影像AI研究,涵盖:非对比CT评估冠周脂肪与MACE关联、AI改进钙化评分、自动分割冠脉并测量心周脂肪、图神经网络预测腹部脂肪、深度学习由胸片生成心包脂肪图像、发布腹部脂肪CT数据集、新钙化表型分类系统,以及利用左心耳几何预测血栓风险。
我们开发了一种全自动的方法,用于测量冠状动脉周围的心周脂肪均值和体积。通过训练一个三维全分辨率的神经网络来分割冠状动脉,然后自动测量心周脂肪。在测试中,得到了良好的结果。这项研究展示了自动化心周脂肪测量在炎症和心脏疾病识别中的潜力。
完成下面两步后,将自动完成登录并继续当前操作。