JITC 介入性心脏病学杂志》 1540 - 8183 0896 - 4327 Hindawi 10.1155 / 2020/9843275 9843275 研究文章 自动检测主动脉环平面和冠状动脉口经由电脑断层 https://orcid.org/0000 - 0002 - 5503 - 6217 Astudillo 会长Patricio 1 2 这部 彼得 1 按照博斯曼法案 约翰 3 德的支持者 奥立 4 de Jaegere 彼得 5 Iannaccone 弗朗西斯科 1 De Beule 马修 1 Dambre 乔妮 2 Musiałek 彼得亚雷 1 FEops Technologiepark - Zwijnaarde 122 根特9052 比利时 feops.com 2 电子与信息系统 UGent-imec Technologiepark-Zwijnaarde 126 根特9052 比利时 3 安特卫普大学医院(UZA) 安特卫普 比利时 uza.be 4 心内科 Rigshospitalet大学医院 哥本哈根 丹麦 rigshospitalet.dk 5 心内科 伊拉斯谟MC 鹿特丹 荷兰 erasmusmc.nl 2020年 28 5 2020年 2020年 09年 12 2019年 20. 04 2020年 28 04 2020年 28 5 2020年 2020年 版权©2020会长Patricio Astudillo et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

解剖标志检测是至关重要的在术前规划经导管主动脉瓣植入术(泰薇),选择合适的设备规模和评估并发症的风险。检测是目前一个非常耗时的过程影响图像质量和运营商可变性。在这项工作中,我们提出一种新颖的自动检测方法相关的主动脉地标从多层螺旋ct图像使用深度学习技术。我们训练三个卷积神经网络(cnn)与344年经由电脑断层扫描(MDCT)收购泰薇检测五个解剖标志相关的规划:主动脉瓣的三个基础附件点传单和左、右冠状动脉口。检测策略这三个CNN模型用于分析一个多层螺旋ct图像和收益三个分割量作为输出。这些细分卷被平均到最后一个分割卷,最后得到了预测地标在后处理步骤。最后,我们构建了主动脉环平面,由三个预测铰链点定义,测量了距离这个平面预测冠状动脉口(即。冠状动脉高度)。方法在100例验证。自动具有里程碑意义的检测能够检测所有的地标和显示精度高之间的平均距离地面真理和预测低于interobserver变化(1.5毫米(1.1 - -2.1),2.0毫米(1.3 - -2.8)配对差异−0.5±1.3毫米 p 值< 0.001)。此外,高预测之间的相关性观察和手工测量冠状动脉高度(两个 R2= 0.8)。每个病人的图像分析时间低于1秒。该方法准确、快速、重现性好。嵌入这个工具基于深度学习在术前规划程序可能产生影响的泰薇环境通过减少时间和成本,提高准确性。

 欧洲委员会 642458年 1。介绍

主动脉瓣狭窄是一个进步的心脏瓣膜病,减少主动脉传单和阀门的运动区域( 1]。经导管主动脉瓣植入术(泰薇)已成为主动脉瓣狭窄患者首选的治疗方法为手术高危主动脉瓣置换术(SAVR) [ 2),甚至最近的临床数据表明,泰薇至少一样好SAVR在低风险的患者 3, 4]。在泰薇,卷曲假肢阀门定位在主动脉根和部署。钙化本机传单粉碎反对扩大金属设备框架和主动脉壁的假肢传单附加到这个框架接管阀的功能。最优的选择假体阀门通径为短期和长期成功至关重要的过程。不正确的大小可能导致的不良事件,扩界可能导致主动脉环破裂,冠状动脉阻塞,或传导异常和低估可能增加的风险paravalvular返流或设备迁移。

经由电脑断层(MDCT)成像是主动脉瓣环的黄金标准分级和泰薇设备尺寸选择 5]。主动脉环周长、面积和直径测量主动脉环平面(AAP),它是由三个基础附件点定义的主动脉瓣传单:左冠状尖(LCC)的noncoronary尖端(NCC)和右冠状尖端(RCC)。术前多层螺旋ct图像也被用来确定其他并发症的危险的患者。AAP的距离到冠状动脉口(左冠状孔(LCO)和右冠状孔(有数)),例如,通常测量了解冠状动脉阻塞的风险。这个障碍是一个潜在的威胁生命的并发症在冠状动脉的血流量明显减少。检测上述地标(LCC, NCC,碾压混凝土,LCO,有数)从多层螺旋ct图像使用手工方法 6)是耗时的,准确性和重现性都是强烈依赖于操作者的经验和图像质量。考虑泰薇对中间的快速扩张和低风险的患者,需要一个高效的,自动的,可再生的,和准确的方法变得更加重要,因为最优规模和足够的风险评估是非常重要的对于这些患者组。自动满足上述条件的方法有可能加快术前规划和改善设备和病人的选择,从而减少成本和程序失败的风险。

在这项工作中,我们提出一个自动化的方法来提取地标术前泰薇计划从多层螺旋ct使用深度学习技术。该方法的准确性和效率评估的100名患者。结果而interobserver变异性研究相同的100名患者。

 2。材料和方法 2.1。多层螺旋ct成像

这项回顾性研究使用来自多个中心的444名患者的数据收集。这个队列的平均年龄是81±7.3年。病人数据包括electrocardiographic-gated多层螺旋ct图像,获得支持泰薇手术的术前阶段。因此,所有多层螺旋ct图像增强对比度,包含一定程度的主动脉瓣狭窄。收缩末期阶段是首选的阶段选择阶段 7, 8),然而其次是图像质量最高的阶段,导致一群组成的多个阶段。多层螺旋ct图像收集来自多个医院介绍各种不同的记录方法和图像质量。一些图片显示运动文物由于心脏运动,而另一些显示金属文物由于病人的医疗设备的存在。一些图像包含的区域噪声没有心脏的信息。体素值代表Hounsfield单位(胡),测量x射线衰减歧视的程度成正比的密度组织。队列描述和扫描参数表 1。回顾性研究,正式同意不是必需的。

群体特征和扫描参数。

年龄(年) 81±7.3(56%的女性,44%的男性)
独特的造影剂 11 (90%)
许多独特的扫描仪 8 (10%)
行(像素) 512±27.8
坳(像素) 512±27.8
深度(片) 492±306
像素空间 x和 y(毫米) 0.5±0.1,0.5±0.1
切片厚度(毫米) 0.8±0.3
x光管电流(mA) 677±357
千峰电压输出的x射线(kV)。 107±15
曝光时间(mAs) 589±549
重建直径(毫米) 271±77

一些参数是未知的或不完整的由于使用匿名化过程。值意味着±性病中概述。

 2.2。手动里程碑式的检测

一个训练有素的操作员手动检测五地标整个队列实现模仿创新套件18(模仿,鲁汶,比利时)。NCC, LCC和碾压混凝土之后发现指南( 6];首先,主动脉根部的中心是检测并用于对齐冠状及矢状面纵轴。接下来,横向平面在阀的水平一致。飞机从主动脉向心室降低到主动脉瓣的基底附件点传单是在这个视图中可见。根据主平面的方向,所有三个基底附件点需要在同一时间消失;否则,需要重新定位。这个重新定位是一项艰巨的任务当患者伴有高钙负载或图像质量时不足以确定基底附件点。LCO和有数视觉检测。AAP的重构三个基底附件点,从飞机上和冠状动脉高度测量口。这五个手动检测地标被用作地面真理在这个研究。 Figure 1描绘了一个示意图地标的概述。

的示意图表示主动脉根的解剖描述(左)。前三个图像识别三个基底附件点:LCC, NCC, RCC(从左到右)。底部三个图像(从左到右)AAP(三个基底附件点),LCO,有数(AAP的虚线和注释的冠状动脉高度)。

第二个训练有素的操作员慢慢五地标盲目地随机选取的100名患者使用上述相同的方法。第一和第二操作符的数据被用于interobserver变异性研究。相同的随机选取的100名患者中使用该方法的验证。一个训练有素的操作员分析这些100个病人的图像和报道,40%的图像包含运动,40%包含噪声的文物,5%含有金属文物由于医疗设备在病人的存在,和5%的低对比度的图像显示。

 2.3。自动具有里程碑意义的检测

3 d地标的自动检测多层螺旋ct图像可以是一个艰巨的任务由于图像质量和尺寸变化。方法检测地标从医学图像已经被提出,尽管这些方法展示出了有前景的结果,他们的粗精度或图像形式并不适用于这个问题( 9- - - - - - 15]。因此,一个热图检测方法类似于( 11)提出了不同的热图大小作为一个增量新奇。

本研究致力于自动化手动里程碑式的检测和推导临床患者测量在后处理步骤。地面实况图像的预处理和手动检测到的地标是必要的为了准备数据对该方法的进一步措施。

2.3.1。预处理步骤

体积的多层螺旋ct图像剪和重新取样,以获得均匀的数据集。每个多层螺旋ct图像重新取样的各向同性分辨率1.0毫米。原Hounsfield单位(胡)保存在重采样过程中,进行了三次样条插值。接下来,128年³体素体积,围绕地面真理地标,从重新取样量中提取。中心是必需的,因为扫描区域不同于病人病人,从主动脉根系比整个身体扫描(图 2)。

概述的多层螺旋ct图像和创建的面具。一个立方体的提取完整的多层螺旋ct图像插值(a)。1283体素体积围绕主动脉瓣(b)面具:一个新鲜感立方体包含五个独特价值领域围绕它们相关的具有里程碑意义的(c)。

面具是为了教模型生成在哪里找到目标的地标。128年新鲜感3多维数据集包含五个球的位置集中在多层螺旋ct图像相关联的手动检测里程碑。每个球体被分配有自己的类:LCC = 1, NCC = 2, RCC = 3, LCO 4,有数只= 5(图 2)。为了提高精度,与三个不同的面具球体半径(3、5、7毫米)出口。

 2.3.2。体系结构

DenseVNet架构( 16这项研究)是用于训练模型。该体系结构由downsampling路径upsampling路径产生其紧随其后 v 字。将采样的路径减少低分辨率输入图像的分辨率表示通过向旋转,和增加upsampling路径将采样的输出路径通过使用双线性upsampling原始尺寸。将采样的输入图像流路径非线性softmax upsampling路径激活函数,而产生的概率分割图像。

 2.3.3。培训

三个模型(N3,它们和N7)被训练使用训练数据集和验证使用验证数据集。一个模型被训练为每个球体半径(3、5、7毫米)。验证数据集是由相同的100名患者被用于interobserver变异性研究和训练数据集由剩下的344名患者。

培训细节:每个模型训练860.000迭代(或者2500时代)亚当优化器( 17)(1学习速率 e−使用骰子目标函数系数(4) 18]。L2 regularisation衰变的1 e−4为了防止过度拟合。网络的输入大小是643和一个滑动窗口策略应用到输入图像正常化。在训练之前,权重的模型初始化随机正交矩阵( 19与增益等于] 2 。最后,ReLU [ 20.)被选为激活函数的卷积层。

所有hyperparameters都得到执行 k在训练数据集(倍交叉验证 k= 5)。患者被随机选择一个固定的随机种子,确保连续相同的随机顺序交叉验证。

 2.3.4。数据增加

高容量模型和data-augmentation策略处理偏差方差权衡特定的统计和机器学习。训练DenseVNet模型取得了较低的偏移误差,因为它可以识别相关特性和目标之间的关系。data-augmentation策略降低了高造成的误差方差小的训练数据集的大小。低偏差和低方差的误差,模型能够概括远远超出了训练数据集。

随机图像转换中使用了data-augmentation策略。随机扩展的值(百分比)和旋转(度)取样的均匀分布介于−3和3。随机转换减少依赖地面真理当定心1283体素多层螺旋ct在五卷地标在预处理步骤。

 2.4。检测

检测策略被用来结合三种训练模型的输出和使用五个预测地标来获得特定的解剖信息。

五个地标的检测一个病人在两个步骤进行:深度学习步骤和后处理步骤。在深度学习步骤,体积多层螺旋ct图像进行分析的三种模式和输出相结合和正常概率输出音量(图 3)。

检测策略的概述在3 d (a)和清晰的2 d (b)。分析了多层螺旋ct容积的三个网络返回5个细分卷/网络。三个网络的输出平均概率输出音量。

在后处理步骤,所有体素值高于0.5选择与分层集群和集群。聚类过程使用欧氏距离为准绳和阈值为1.1毫米。最大的集群中,所有与值高于0.9分被用来计算重心,最后预测点。这个过程进行的(图5地标 4)。后处理步骤的输出标志被认为是最终的预测标志。

概述后处理步骤2 d中描述的清晰。从平均体积,点值高于0.5集群。最大的集群被选中,和从点值高于0.9,质心计算。这个重心是用作预测3 d点。

检测阶段后,主动脉环平面重建LCC的NCC,碾压混凝土和左和右冠状动脉口高度测量从这架飞机LCO,有数。

 2.5。统计分析

具有里程碑意义的检测评估的准确性通过测量欧几里得距离地面真值的预测标志。Shapiro-Wilk测试为正态分布进行测试,和所有的预测分布是正态分布。所有的变量被报告为中位数(下四分位数(LQ)−上四分位数(UQ))。手动和自动地标位置之间的协议是评估使用Wilcoxon签署的非参数测试(意义重大 p 值< 0.05)。皮尔森相关系数是计算冠状动脉的距离观察他们的相关性(有良好的相关性 R2> 0.9)。Bland-Altman冠状动脉的距离进行了分析。分析与SPSS 25。

 2.6。实现

NiftyNet [ 21),3 d生物医学深度学习框架,使用Tensorflow [ 22),是用来训练模型。在多核计算机上执行的所有计算工作与泰坦X和P6000 gpu (NVIDIA公司,类似遭遇,CA)。

 3所示。结果 3.1。检测

该方法验证使用的100名患者也使用interobserver变异性研究。通过使用相同的病人进行验证和观察者变异评估,可以比较两个观察者的方法。预测的地标(模型)相比,地面实况地标(观察者1)使用欧氏距离。所有地标的中位数差异结合起来是1.5毫米,这是准确的,因为多层螺旋ct图像的分辨率是1毫米。中位数为所有地标之间的欧几里得距离手动检测地标从第一和第二观察者是2.0毫米。模型和观察者之间的距离低于一个观察者1和2之间的距离,和整体搭配的不同−0.5±1.3毫米预计从观察者因为模型训练数据(表 2)。

比较预测和地面之间的欧几里得距离真理目标点( d1)和目标分由两个观察员(标识 d2)。

具有里程碑意义的 模型与地面真理( d1)(毫米) 观察者1 vs观察者2 ( d2)(毫米) 成对比较。 d1− d2) p 价值
低成本航空 1.6 (1.2 - -2.3) 2.4 (1.4 - -3.4) 0.8±1.3 < 0.001
NCC 1.5 (0.9 - -2.1) 2.4 (1.4 - -3.2) −0.9±1.3 < 0.001
碾压混凝土 1.6 (1.3 - -2.2) 2.4 (1.9 - -3.6) −0.9±1.4 < 0.001
LCO 1.3 (0.9 - -1.9) 1.4 (1.0 - -2.2) −0.1±1.0 0.2
有数 1.4 (0.9 - -2.0) 1.4 (1.0 - -1.8) 0.1±1.0 0.4
所有 1.5 (1.1 - -2.1) 2.0 (1.3 - -2.8) −0.5±1.3 < 0.001

配对差异(diff。)毫米。

作为最后一步,左和右冠状动脉口高度从地面真值计算和预测点。有一个左冠状动脉口高度过高的模型(模型和观察者,分别为:平均身高16.3 vs 15.8毫米)和右冠状动脉口高度较小的高估(vs观察者模式,分别为:平均身高17.3 vs 17.2毫米)(表 3)。

对比预测(模型)和地面的真相(观察者1)冠状动脉口高度。

相关性( R2) 模型(毫米) 观察者1(毫米) 成对diff。(模型观察者−1)(毫米) p 价值
LCO高度 0.8 16.3 (15.2 - -17.7) 15.8 (14.7 - -17.5) 0.5±1.5 < 0.001
有数的高度 0.8 17.3 (15.5 - -19.3) 17.2 (15.1 - -20.1) −0.2±2.0 0.4

预测左和右冠状动脉口高度与地面真理(包括相关 R2= 0.8)。左和右冠状动脉高度来自第二个观察者的手动检测地标相关与地面真理(分别 R2= 0.80, R2=(图0.84) 5)。

之间的相关性预测冠状动脉口高度和地面真理从观察者1。

Bland-Altman情节对于左、右冠状动脉口高度。左冠状动脉口高度提出平均成对差异0.54毫米的观察者,而右冠状动脉口高度导致平均成对差异(图-0.16毫米 6)。

Bland-Altman分析左和右冠状动脉口高度。

验证后的预测地标和冠状动脉的高度,它仍然是报告的处理时间手动和自动的方法。两个观察者报告分析5到10分钟的时间每个病人检测五个地标(时间推导出冠状动脉高度被忽略)。从体积多层螺旋ct图像自动处理时间五个预测地标和冠状动脉高度低于1秒。预测输出的一个例子是描绘在图 7。

的一个例子从一个看不见的病人发现地标。从左到右:LCC, NCC,碾压混凝土,LCO,有数。从上到下:一片多层螺旋ct图像预测点的位置(注释),一片平均最终输出音量的预测点的位置(注释),和一个最终的输出音量的叠加多层螺旋ct图像预测点的位置(概率0.0(蓝色)到1.0(红色))。

 4所示。讨论

在这项工作中,一个自动化的方法提出了提取地标术前泰薇计划使用深度学习从多层螺旋ct技术。验证进行100例,结果表明,五个地标可以高效、准确地检测到通过三个模型的结果和一个后处理步骤。手动和自动识别地标之间的区别通常比两个运营商之间观察到的差异较小。这些差异表明,提出的方法检测这些地标在可接受的精度。此外,它也表明了方法允许确定临床相关的自动测量,如冠状动脉高度。总分析时间从多层螺旋ct图像数据预测地标小于5秒,这清楚地显示了该方法的潜在加速目前的术前计划工作流。

文献提供的(半)自动检测策略地标在泰薇字段( 23- - - - - - 26]。上述作品的局限性包括以下:所有研究验证他们的方法与单中心数据,使问题的通用属性方法回答。一些自动方法仍依赖运营商。因此,不能正确评估方法的鲁棒性,和质量可能取决于操作者的经验。一些研究提出困难适应特定的病理条件下,如高钙负载,这是一个征兆要求泰薇过程。验证队列的大小是在大多数研究有限,和interobserver验证是在一些研究缺失或不完全失明。

我们的方法克服了几乎所有的局限性如上所述。方法是全自动的钙负载不敏感。虽然我们多中心患者群体相对较小,患者的数量用于训练和验证仍高于文献报道。我们训练模型和344例确认它们与100名患者,我们证明了该方法的鲁棒性与多中心患者队列显示良好的协议与观察者。

深入学习方法从医学图像具有里程碑意义的检测可以在文献中找到。在郑et al。 10),一个两级分类系统提出了头颈CT扫描检测的地标,并报告错误是2.6±5.0毫米。在付款人等的研究 11),一个方法来检测地标从二维ct扫描和三维磁共振影像(MRI)使用的热图提出报告误差为1.2±1.3毫米。张等人的研究( 13],cnn是用来检测地标的大脑核磁共振图像错误报道为3.0±1.6毫米。同样的方法应用于检测前列腺癌的地标从头部ct扫描检查报告误差为3.3±2.5毫米。在基地等的研究 15),提出了殖民散步方法检测类似主动脉解剖标志纳入本研究。尽管该方法快速(12 ms每名患者),整体具有里程碑意义的错误non-TAVI患者是1.94±0.93毫米,为泰薇患者是2.74±1.78毫米。在Lalys等的研究 27),提出了一种自动分割方法。结果显示精度高的两个口距离误差为1.80±0.74毫米和1.96±0.87毫米LCO,有数。这些错误是比我们的结果略高。这项研究不包括铰链点的主动脉瓣。最后,在奥尼尔等人的研究( 14),二段式方法本土化22解剖标志从头部CT扫描。他们的方法结合了神经网络和一个具有里程碑意义的阿特拉斯的技术。1.5毫米的报道值误差等于我们的发现(1.5毫米)。然而,10.8%的地标有检测到错误的距离大于4.0毫米(计算扫描和20日共有417个地标)。我们的结果显示有0.03%的里程碑式的误差距离大于4.0毫米(计算100扫描和总共500地标)。只有在付款人等的研究报道错误足够细粒度。不幸的是,他们得到的比多层螺旋ct MRI图像具有更高的质量。自报道错误太粗粒度或图像形式并不适用于这一问题,提出了不同大小的热图检测方法。

这项工作的潜在影响可能体现在不同的领域。方法比最先进的快,这可能影响减少操作员在快速增长的市场分析和错误。泰薇总成本降低的嵌入方法可以获得在软件允许手动修正(例如,纠正异常值)。这个嵌入也可以产生持续的学习平台的坐标一个新病人,由专家验证,可以添加到训练数据集,从而提高未来的检测。冠状动脉口高度来自预测的地标,这是至关重要的测量在泰薇的术前规划过程中( 28]。其他临床参数,如虚拟基础环的最小和最大直径和周长,也可能派生,可以通过训练一个CNN模型学习预测这些临床参数图像。同样的方法可以申请其他心血管的规划干预措施,例如,左心耳闭塞,二尖瓣修理/更换。

虽然方法已经被证明是可靠的,有一些限制有关电流的方法。的最大例外预测LCC相比第一个观察者是4.9毫米,这是可以接受的5.8毫米的interobserver差异相比,相同的病人。两个观察者之间的区别可能表明一个错误的检测观察。的最大例外预测碾压混凝土是11.5毫米,interobserver测量9.4毫米的相同的病人。调查显示,病人的图像包含运动,从而使具有里程碑意义的检测困难的观察者和算法。预测测量位于观察者测量两个接近,这可能表明,模型具有学习能力的具有里程碑意义的一般位置,因此矛盾地面真理。预测的NCC, LCO,有数地标了最大的离群值小于5毫米。的最大异常值预测冠状动脉口高度小于5毫米。虽然预测能力已被证明,离群值表明,方法不是自动防故障装置。最后的预测结果需要由一个有经验的操作人员确认,这可能持续学习方法中受益,如前一节所述。 Another limitation of this study is that the method is not applied to patients with anomalies of the coronary arteries [ 29日, 30.]。还有待测试如果方法可以应用到这个病人组;然而,考虑到心脏骤停的风险增加 29日),这些冠状动脉异常的患病率在一个年长的病人队列可能更低。最终限制,多层螺旋ct图像良好的优良的品质与少数例外的图像包含运动或质量较差。包括质量差多层螺旋ct扫描在训练数据集可以提高该方法的鲁棒性。

 5。结论

该方法从多层螺旋ct显示主动脉里程碑式的检测数据有效,准确,重现性好。interobserver变异性的比较表明策略的可靠性和嵌入这个工具基于深度学习在术前规划程序可能产生影响的泰薇环境通过减少时间和成本,提高准确性。

 数据可用性

所使用的统计数据来支持本研究的发现可以从相应的作者。匿名的图像数据用于支持本研究的发现是由FEops喷嘴速度下许可,所以不能免费提供。

 的利益冲突

以下信息披露已报告的作者:彼得·德·Jaegere是美敦力公司的顾问。约翰离开是美敦力公司的顾问。Ole德支持者的顾问阿伯特。马修·德·Beule和彼得这部是FEops的股东。弗朗西斯科·Iannaccone FEops的员工。乔妮Dambre和会长Patricio Astudillo没有利益冲突声明。

 确认

作者要感谢这两个运营商的所有工作和乔纳斯德坟墓在他的指导下和输入深度学习的优化模型。特别感谢将蒂姆•Dezutter Nieves Gata桑切斯,Giorgia Rocatello输入在医学图像和医学图像的预处理。作者还感谢NiftyNet开发团队的工作。所有计算工作进行Nvidia GPU的Nvidia GPU补助计划。欧盟委员会支持这项工作在地平线2020框架(项目没有通过MSCA-ITN-ETN欧洲培训网络。642458)。

 Bonow r . O。 Carabello b。 Chatterjee K。 2006年ACC / AHA指南心脏瓣膜病的患者的管理 美国心脏病学会杂志》上 2006年 48 e1 e148 10.1016 / j.jacc.2006.05.021 2 - s2.0 - 33746325772 史密斯 c·R。 利昂 m B。 麦克 m·J。 介入与主动脉瓣置换手术高危患者 新英格兰医学杂志》上 2011年 364年 23 2187年 2198年 10.1056 / nejmoa1103510 2 - s2.0 - 79958204372 Popma J·J。 狄 g . M。 阿里身上 美国J。 经导管主动脉瓣替换self-expanding阀在低风险的患者 新英格兰医学杂志》上 2019年 380年 18 10.1056 / NEJMoa1816885 2 - s2.0 - 85063752928 麦克 m·J。 利昂 m B。 Thourani v . H。 经导管主动脉瓣替换balloon-expandable阀在低风险的患者 新英格兰医学杂志》上 2019年 380年 18 10.1056 / NEJMoa1814052 2 - s2.0 - 85063743385 Cerillo a·G。 马里安尼 M。 伯迪 年代。 格劳伯 M。 上浆主动脉环 心胸外科年鉴 2012年 1 2 10.3978 / j.issn.2225 - 319 x.2012.06.13 Kasel a . M。 Cassese 年代。 Bleiziffer 年代。 标准化的成像主动脉环的大小 JACC:心血管成像 2013年 6 2 249年 262年 10.1016 / j.jcmg.2012.12.005 2 - s2.0 - 84881330796 Jurencak T。 塔瑞克 J。 Kietselaer b . l . j . H。 多层螺旋ct评价主动脉根和泰薇之前主动脉瓣。什么是最优成像在心动周期时间点? 欧洲放射学 2015年 25 7 1975年 1983年 10.1007 / s00330 - 015 - 3607 - 5 2 - s2.0 - 84930477727 布兰科 P。 Weir-McCall j . R。 阿肯巴克都 年代。 计算机断层扫描成像的背景下经导管主动脉瓣植入术(泰薇)/经导管主动脉瓣置换术(TAVR):专家共识心血管学会计算机断层扫描的文档 心血管ct杂志》上 2019年 13 1 1 20. 10.1016 / j.jcmg.2018.12.003 2 - s2.0 - 85058964155 郑 Y。 约翰 M。 廖 R。 自动检测主动脉分割和阀门地标在c臂CT经导管主动脉瓣植入术 IEEE医学成像 2012年 31日 12 10.1109 / TMI.2012.2216541 2 - s2.0 - 84870554682 郑 Y。 刘 D。 Georgescu B。 三维深度学习的高效和健壮的具有里程碑意义的检测体积数据 2015年 可汗、瑞士 施普林格 付款人 C。 Štern D。 女孩 H。 Urschler M。 使用cnn回归的热图多个里程碑式的本地化 《医学影像计算和计算机辅助介入的国际会议 2016年10月 希腊雅典 安德 年代。 Pezold 年代。 Cattin P。 多维的复发性生物医学3 d数据分割的单位 学报》国际研讨会上大规模的生物医学数据和专家注释标签合成 2016年 希腊雅典 张 J。 刘 M。 沈 D。 使用两阶段检测解剖标志从有限的医学影像数据面向任务的神经网络 IEEE图像处理 2017年 28 10 10.1109 / TIP.2017.2721106 2 - s2.0 - 85021876379 奥尼尔 答:问。 Kascenas 一个。 亨利 J。 实现人类与阿特拉斯的位置autocontext解剖学标志检测性能3 d CT数据 欧洲计算机视觉的诉讼 2018年9月 德国慕尼黑 艾尔 w·A。 荣格 h . Y。 云 i D。 自动主动脉瓣具有里程碑意义的本地化使用殖民走在冠状动脉CT血管造影术 《公共科学图书馆•综合》 2018年 13 7 10.1371 / journal.pone.0200317 2 - s2.0 - 85050738364 吉布森 E。 Giganti F。 胡 Y。 自动多器官分割与致密v-networks腹部CT IEEE医学成像 2018年 37 8 10.1109 / tmi.2018.2806309 2 - s2.0 - 85042080742 Kingma d . P。 英航 j·L。 亚当:一个随机优化方法 2015年 https://arxiv.org/abs/1412.6980 Milletari F。 布 N。 艾哈迈迪 美国一个。 V-net:完全卷积神经网络容量的医学图像分割 学报》2016年第四届国际会议在3 d视觉 2016年10月 斯坦福,加州,美国 565年 571年 10.1109 / 3 dv.2016.79 2 - s2.0 - 85011298810 萨克斯 a . M。 麦克勒兰德 j·L。 Ganguli 年代。 精确解的非线性动力学线性神经网络学习深度 2013年 1 9 https://arxiv.org/abs/1312.6120 Maas a . L。 Hannun a . Y。 Ng a . Y。 整流器非线性神经网络提高声学模型 机器学习的国际会议 2013年6月 亚特兰大,乔治亚州,美国 吉布森 E。 李 W。 Sudre C。 Niftynet:医学成像深度学习平台 计算机在生物医学方法和项目 2017年 158年 10.1016 / j.cmpb.2018.01.025 2 - s2.0 - 85041815481 Abadi M。 巴勒 P。 陈 J。 大规模机器学习Tensorflow Tensorflow:一个系统:一个系统大规模机器学习 第12届USENIX学报》研讨会上操作系统设计与实现(OSDI 16) 2016年11月 美国佐治亚州萨凡纳 戴尔嘎多 V。 Ng a·c·T。 Schuijf j . D。 自动评估主动脉根维多排ct 胸外科的史册 2011年 91年 3 716年 723年 10.1016 / j.athoracsur.2010.09.060 2 - s2.0 - 79951997019 渡边 Y。 Morice M.-C。 布维耶 E。 自动三维评估主动脉环经由电脑断层在经导管主动脉瓣植入术 JACC:心血管疾病的干预措施 2013年 6 9 955年 964年 10.1016 / j.jcin.2013.05.008 2 - s2.0 - 84884413361 范·林登 一个。 Kempfert J。 Blumenstein J。 手动和自动检测主动脉环平面的电脑断层扫描经导管主动脉瓣植入术筛选 欧洲心胸外科杂志》上 2014年 46 2 207年 212年 10.1093 / ejcts / ezt600 2 - s2.0 - 84905461773 里德 M。 Wiegerinck E。 范Kesteren F。 自动检测主动脉根地标在CTA图像preprocedural计划经导管主动脉瓣植入术 国际心血管成像杂志》上 2016年 32 3 501年 511年 10.1007 / s10554 - 015 - 0793 - 9 2 - s2.0 - 84957957446 Lalys F。 Esneault 年代。 卡斯特罗 M。 自动分割和解剖标志检测主动脉根部泰薇过程规划 微创治疗和联合技术 2018年 28日, 3 10.1080 / 13645706.2018.1488734 2 - s2.0 - 85050566728 马森 J.-B。 科瓦克 J。 舒勒 G。 经导管主动脉瓣植入术 JACC:心血管疾病的干预措施 2009年 2 9 811年 820年 10.1016 / j.jcin.2009.07.005 2 - s2.0 - 70349196461 Angelini P。 小说成像评估其患病率的冠状动脉异常,临床症状的原因,和心脏性猝死的风险 循环:心血管成像 2014年 7 4 747年 754年 10.1161 / circimaging.113.000278 2 - s2.0 - 84905817933 Krupiński M。 Laskowicz B。 Irzyk M。 的冠状动脉起源异常的冠状静脉窦与计算机断层扫描评估:“高风险”解剖及其临床意义 欧洲放射学 2014年 24 10 2353年 2359年 10.1007 / s00330 - 014 - 3238 - 2 2 - s2.0 - 84930242525