主动脉环面和冠状动脉开口的多层ct自动检测

摘要

在经导管主动脉瓣植入术(TAVI)术前规划中，解剖标志的检测对于选择合适的装置尺寸和评估并发症的风险至关重要。目前的检测是一个耗时的人工过程，受图像质量的影响，并受操作变量的影响。在这项工作中，我们提出了一种新的方法，自动检测相关的主动脉标志从多层螺旋ct图像使用深度学习技术。我们训练了三个卷积神经网络(CNNs)与344多探测器计算机断层扫描(MDCT)采集，以检测与TAVI规划相关的五个解剖标志:主动脉瓣叶的三个基础附着点和左右冠状动脉开口。该检测策略使用这三种CNN模型对单个多层螺旋ct图像进行分析，生成三个分割体积作为输出。这些分割体积被平均为一个最终的分割体积，并在后处理步骤中获得最终的预测地标。最后，我们构建了由三个预测铰链点定义的主动脉环平面，并测量了从这个平面到预测冠状动脉开口的距离(即冠状动脉高度)。该方法在100例患者中进行了验证。地面真实值与预测值之间的中值距离小于观测者间的变化(1.5 mm [1.1-2.1]， 2.0 mm[1.3 - 2.8]，两者之间存在−0.5±1.3 mm的成对差异)，因此自动地标检测能够检测出所有地标，具有较高的准确性值< 0.001)。此外，预测的冠状动脉高度和人工测量的冠状动脉高度之间有很高的相关性R^2.= 0.8)。每位患者的图像分析时间低于1秒。该方法准确、快速、重现性好。在术前计划程序中嵌入基于深度学习的工具可能会对TAVI环境产生影响，减少时间和成本，并提高准确性。

1.介绍

主动脉瓣狭窄是一种进行性瓣膜性心脏病，它减少了主动脉瓣叶和瓣膜面积的运动[1.］.经导管主动脉瓣植入术(TAVI)已成为高危主动脉瓣狭窄患者外科主动脉瓣置换术(SAVR)的首选治疗方法[2.]最近的临床数据甚至显示，在低风险患者中，TAVI至少与SAVR一样好[3.,4.］.在Tavi期间，卷曲的假体瓣膜位于主动脉根部并展开。通过膨胀的金属装置框架和附着在该框架上的假体叶将钙化的本地叶挤压在主动脉壁上挤压到主动脉壁上接管阀的功能。选择最佳假体阀尺寸对于程序的短期和长期成功至关重要。尺寸不正确可能导致不良事件，其中超大尺寸可能导致主动脉环形破裂，冠状动脉梗阻或导通异常，并且尺寸可能会增加静脉瓣膜流动或设备迁移的风险。

多层螺旋ct (MDCT)成像是主动脉环大小和TAVI设备大小选择的金标准[5.］.主动脉环的周长、面积和直径在主动脉环平面(AAP)测量，该平面由主动脉瓣叶的三个基底附着点定义:左冠状动脉尖(LCC)、非冠状动脉尖(NCC)和右冠状动脉尖(RCC)。术前多层螺旋ct图像也可用于识别患者有其他并发症的风险。例如，从AAP到冠状动脉开口(左冠状动脉开口(LCO)和右冠状动脉开口(RCO))的距离通常是测量的，以了解冠状动脉阻塞的风险。这种阻塞是一种潜在的危及生命的并发症，在此过程中，流向冠状动脉的血液明显减少。使用手动方法从MDCT图像中检测上述地标(LCC、NCC、RCC、LCO、RCO) [6.]是耗时的，而且准确性和再现性在很大程度上依赖于操作者的经验和图像质量。考虑到TAVI快速扩展到中、低风险患者，对高效、自动、可重复和准确的方法的需求变得更加重要，因为最佳的大小和充分的风险评估对这些患者群体至关重要。满足上述标准的自动化方法有可能加快术前计划，改善设备和患者选择，从而降低成本和程序失败的风险。

在这项工作中，我们提出了一种利用深度学习技术从多层螺旋ct中自动提取术前TAVI规划地标的方法。该方法的准确性和效率在100名患者的队列中进行了评估。结果与同一100例患者的观察者间变异性研究进行了比较。

2.材料和方法

2.1. MDCT成像

这项回顾性研究使用了从多个中心收集的444名患者的数据。该队列的平均年龄为81岁 ± 7.3年。患者数据包括心电门控MDCT图像，这些图像是为支持TAVI程序的术前阶段而获取的。因此，所有MDCT图像均增强，并包含一定程度的主动脉狭窄。在相位选择过程中，收缩末期是首选相位[7.,8.]然而，从属于具有最高图像质量的相位，这导致了由多个相位组成的队列。MDCT图像收集自多家医院，这些医院介绍了多种记录方法和图像质量。一些图像显示由于心脏运动而产生的运动伪影，而另一些图像显示由于患者体内存在医疗设备而产生的金属伪影。很少有图像包含没有心脏信息的噪声区域。体素值表示Hounsfield单位（HU），这是一种与X射线衰减程度成比例的度量，用于区分组织密度。表中给出了队列描述和扫描参数1.. 对于这项回顾性研究，不需要正式同意。

２.２.手动里程碑式的检测

经过训练的操作员使用Materialise Mimics Innovation Suite 18 (Mimics, Leuven, Belgium)从整个队列中手动检测出五个地标。LCC、NCC和RCC是按照指南检测的[6.];首先，检测主动脉根部中心，并用于对齐冠状面和矢状面纵轴。接下来，将横切面对准阀门水平。平面从主动脉向心室下降，直到主动脉瓣叶的基底附着点可见。根据主动脉平面的方向，三个基底附着点需要同时消失;否则，就需要重新定位。当患者出现高钙负荷或图像质量不足以识别基底附着点时，这种重新定位被证明是一项困难的任务。目测LCO和RCO。从3个基底附着点重建AAP，测量冠状动脉从平面到开口的高度。在本研究中，这5个人工检测的地标作为地面真实值。 Figure1.描绘地标的示意图。

另一名训练有素的操作员使用上述方法，对100名随机选择的患者进行盲测，重新检测5个标志物。来自第一和第二操作者的数据用于观察者间变异性研究。同样的100名随机选择的患者在验证所提出的方法。一位训练有素的操作员分析了这100名患者的图像，报告称40%的图像包含运动，40%包含噪声伪影，5%包含金属伪影，这是由于患者体内存在医疗设备，5%的图像显示低对比度。

2.3。自动地标检测

由于多层螺旋ct图像质量和大小的变化，自动检测三维标志物是一项困难的任务。已经有人提出了从医学图像中检测标志物的方法，尽管这些方法显示出了有希望的结果，但它们的粗糙精度或图像模式不适用于这个问题[9–15］.因此，有一种类似[11]，以不同热图大小作为增量新颖性。

本研究侧重于在后处理步骤期间自动化手动地标检测和临床患者特异性测量。为了准备该方法的进一步步骤，需要对地面真理图像和手动检测到的地标的预处理。

2.3.1。预处理步骤

对体积MDCT图像进行剪裁和重采样，以获得均匀的数据集。将每个MDCT图像重新采样至1.0的各向同性分辨率 嗯。在三次样条插值的重采样过程中，保留了原始的Hounsfield单位（HU）。接下来，从重采样体积中提取以地面真实地标为中心的128³体素体积。需要居中，因为扫描区域因患者而异，从主动脉根部到全身扫描（图1）2.)．

生成遮罩是为了告诉模型在哪里可以找到目标地标。零值128^3.-Cube包含了五个球体，该球体以手动检测到的相关MDCT图像中的地标。每个球体都有自己的类别：LCC = 1，NCC = 2，RCC = 3，LCO 4，RCO = 5（图2.)．为了提高精度，输出了三个不同球面半径(3、5和7 mm)的掩模。

2.3.2. 建筑学

DenseVNet架构[16]在本研究中用来训练模型。该体系结构由下行采样路径和上行采样路径组成 -形状。下采样路径通过使用跨步卷积将输入图像的分辨率降低到低分辨率表示，上采样路径通过使用双线性上采样将下采样路径的输出增加到原始维度。输入图像从下采样路径流向上采样路径，然后是非线性softmax激活函数，该函数生成概率分割图像。

2.3.3。培训

使用训练数据集对三个模型(N3、N5和N7)进行训练，并使用验证数据集进行验证。每个球半径(3、5和7 mm)训练一个模型。验证数据集包括与观察者间变异性研究相同的100名患者，训练数据集包括剩余的344名患者。

训练细节:使用Adam优化器对每个模型进行860.000次迭代(或2500个epoch)的训练[17]（学习率为1E−4） 利用骰子系数目标函数[18］.L2正规规则，衰减为1E−4用于防止过拟合。网络的输入大小为64^3.，对归一化后的输入图像采用滑动窗口策略。训练前，用随机正交矩阵初始化模型的权值[19]增益等于 .最后，雷鲁[20.]作为卷积层的激活函数。

所有超参数均通过计算得到K-在训练数据集上进行交叉验证（使用K= 5)。采用固定的随机种子随机选择患者，确保连续交叉验证具有相同的随机顺序。

2.3.4。数据增加

高容量模型和数据扩充策略处理了统计和机器学习特有的偏差-方差权衡。经过训练的DenseVNet模型产生了较低的偏差误差，因为它可以识别特征和目标之间的相关关系。数据扩充策略降低了由于训练数据集较小而导致的高方差误差。由于低偏差和低方差误差，模型能够很好地推广到训练数据集之外。

数据增强策略采用随机图像变换。随机缩放(百分比)和旋转(度)的值是从−3到3之间的均匀分布中取样的。当以128为中心时，随机变换降低了对地面真相的依赖性^3.-voxel MDCT在预处理步骤中围绕五个地标的体积。

２.４.检测

一种检测策略被用于结合三个训练模型的输出，并使用5个预测里程碑来获得患者特定的解剖信息。

在两个步骤中进行单个患者的五个地标的检测：深度学习步骤和后处理步骤。在深度学习步骤中，通过三个模型分析体积MDCT图像，并将输出组合并标准化为概率输出量（图3.)．

在后处理步骤中，选取所有值大于0.5的体素，进行层次聚类。聚类过程以欧几里得距离为标准，阈值为1.1 mm。从最大的聚类中，所有值大于0.9的点被用来计算质心，这就是最终的预测点。对这五个里程碑分别进行了这个过程(图)4.)．后处理步骤的输出标志被认为是最终预测的地标。

检测期结束后，从LCC、NCC、RCC重建主动脉环面，测量从该平面到LCO、RCO的左右冠状动脉开口高度。

2．5．统计分析

地标检测的准确性是通过测量从预测地标到地面真值的欧氏距离来评估的。采用Shapiro-Wilk检验对正态分布进行检验，预测的分布均不为正态分布。所有变量均报告为中位数(下四分位数(LQ) -上四分位数(UQ))。使用非参数signed Wilcoxon检验评估手动和自动地标位置之间的一致性(具有显著性值< 0.05)。计算冠状动脉距离的皮尔逊相关系数，观察其相关性(相关性极好)R^2.> 0.9)。对冠状动脉距离进行Bland-Altman分析。使用spss25进行分析。

2.6。实现

NiftyNet [21]，使用Tensorflow的3D生物医学深度学习框架[22]，用于训练所有模型。所有的计算工作都是在一台多核计算机上进行的，该计算机配有Titan X和P6000 GPU（NVIDIA Corporation，加利福尼亚州洛斯阿拉米托斯）。

3.结果

3．1.检测

所提出的方法通过100例同样用于观察者间变异性研究的患者进行验证。通过使用相同的患者进行验证和观察者变异性评估，可以将该方法与两个观察者进行比较。利用欧几里得距离将预测的地标(模型)与地面真实地标(观测者1)进行比较。所有标志物组合的中值差为1.5 mm，这是准确的，因为MDCT图像的分辨率为1 mm。从第一和第二观测者到人工检测的所有地标之间的欧氏距离中值为2.0 mm。模型与观测者1之间的距离小于观测者1与观测者2之间的距离，由于模型使用观测者1的数据进行训练，预计整体成对差异为- 0.5±1.3 mm(表)2.)．

最后，根据地面真实值和预测点计算左右冠状动脉开口高度。模型对左冠状动脉开口高度的高估较小(模型对观察者的中位高度分别为16.3 mm和15.8 mm)，对右冠状动脉开口高度的高估较小(模型对观察者的中位高度分别为17.3 mm和17.2 mm)(表)3.)．

预测的左右冠状动脉开口高度与地面真实值(均与R^2.= 0.8)。由第二名观测者手工检测的地标所得到的左冠状动脉高度和右冠状动脉高度与地面真实值(分别，R^2. = 0.80 andR^2.=(图0.84)5.)．

绘制左右冠状动脉开口高度的Bland-Altman图。观察1的左冠状动脉开口高度的平均成对差值为0.54 mm，而右冠状动脉开口高度的平均成对差值为-0.16 mm(图1)6.)．

在预测的地标和冠状动脉高度验证后，仍需报告手动和自动方法的处理时间。两位观察员都报告说，每位患者需要5到10分钟的分析时间来检测5个标志物(得出冠状动脉高度的时间被忽略了)。从容积MDCT图像到5个预测标志物和冠状动脉高度的自动处理时间小于1秒。图中描述了一个预测输出的示例7..

4.讨论

本文提出了一种利用深度学习技术从多层螺旋ct中自动提取术前TAVI规划地标的方法。对100例患者进行了验证，结果表明，结合三种模型的结果和一个后处理步骤，可以高效、准确地检测出5个标志物。人工和自动识别的地标之间的差异通常比两个操作员之间观察到的差异要小。这些差异表明所建议的方法在可接受的精度内检测这些里程碑。此外，该方法还可以自动确定临床相关测量值，如冠状动脉高度。从多层螺旋ct图像数据到预测标志物的总分析时间小于5秒，这清楚地显示了该方法的潜力，以加快当前的术前规划工作流程。

文献为TAVI领域的地标检测提供了(半)自动策略[23–26］.上述工作的局限性包括:所有研究都用单中心数据验证了他们提出的方法，没有回答方法的一般性质问题。有些自动方法仍然依赖于操作符。因此，该方法的稳健性无法得到恰当的评估，其质量可能取决于操作者的经验。一些研究提出了适应特定病理条件的困难，如高钙负荷，这是需要TAVI程序的症状。在大多数研究中，验证队列的规模是有限的，而观察者间验证在少数研究中是缺席的或不是完全盲的。

我们的方法克服了上面提到的几乎所有的局限性。该方法是全自动的，对钙负荷不敏感。虽然我们的多中心患者队列相对较小，但用于培训和验证的患者数量仍高于文献报道。我们用344名患者训练了我们的模型，并用100名患者验证了它们，我们用一个多中心患者队列证明了该方法的稳健性，该队列与两个观察者都显示了良好的一致性。

在文献中可以找到来自医学图像的地标检测的深度学习方法。在郑等人。[10]提出了一种用于检测来自头部颈部CT扫描的地标的两级分类系统，报告的误差为2.6±5.0 mm。在Payer等人的研究中[11]提出了一种利用热图从二维CT扫描和三维磁共振图像（MRI）中检测标志点的方法，报告误差为1.2 ± 1.3 嗯。在张等人的研究中[13]， cnn被用来从MRI图像中检测大脑标志物，据报道误差为3.0±1.6 mm。同样的方法用于检测ct扫描的前列腺标志物，据报道误差为3.3±2.5 mm。在Al等人的研究中[15，一种群体步行方法被提出，以检测类似的主动脉解剖标志包括在本研究。虽然该方法快速(每例患者12 ms)，但对非TAVI患者和TAVI患者的总体地标误差分别为1.94±0.93 mm和2.74±1.78 mm。Lalys等人的研究[27[提出了一种自动分段方法。它们的结果为LCO和RCO的距离误差为1.80±0.74 mm的距离误差为1.80±0.74 mm的高精度。与我们的结果相比，这些错误略高。该研究不包括主动脉瓣的铰接点。最后，在O'Neil等人的研究中[14，提出了一种两步定位22个解剖标志的头部CT扫描方法。他们的方法结合了神经网络和具有里程碑意义的Atlas技术。报告的中位误差为1.5 mm，与我们的发现(1.5 mm)相同。然而，10.8%的检测到的地标的误差距离大于4.0 mm(通过20次扫描和总共417个地标计算)。我们的结果显示0.03%的地标误差距离大于4.0 mm(在100次扫描和总共500个地标上计算)。只有在Payer等人的研究中，报告的误差足够精确。不幸的是，它们是从MRI图像中获得的，而MRI图像的质量比多层螺旋ct高。由于报告的误差过于粗粒度或图像模式不适用于这一问题，提出了一种不同大小的热图检测方法。

这项工作的潜在影响可能表现在不同的边界。该方法比最先进的方法更快，这可能会对减少运营商分析和快速增长市场的错误产生影响。可以通过将方法嵌入允许手动校正（例如，纠正异常值）的软件中的方法来获得减少的整体TAVI成本。此嵌入还可以产生一个连续的学习平台，其中一名新患者的坐标，由专家验证，可以添加到训练数据集中，从而提高未来检测。冠状动脉骨高度来自预测的地标，这在Tavi程序的术前计划期间是至关重要的测量[28］.也可以推导出其他临床参数，例如虚拟基环的最小和最大直径与圆周，这可以通过训练CNN模型来学习从图像预测这些临床参数来完成。相同的方法可以应用于其他心血管干预的规划，例如，左心房阑尾闭塞，二尖瓣修复/更换。

虽然提出的方法已被证明是可靠的，但目前的方法有一些局限性。与第一个观察者相比，预测LCC的最大异常值为4.9 mm，与同一患者观察者之间的差异(5.8 mm)相比，这是可以接受的。两个观察者之间的差异可能表明观察者一方的检测错误。预测的RCC最大离群值为11.5 mm，同一患者观察者间测量值为9.4 mm。调查显示，该患者的图像包含运动，从而使观察者和算法难以检测地标。预测的测量值更接近观测者2的测量值，这可能表明模型能够了解地标的大致位置，从而与地面事实相矛盾。预测的NCC、LCO和RCO标志物的最大异常值小于5 mm。预测冠状动脉开口高度的最大异常值小于5mm。尽管预测能力已被证明，但异常值表明该方法并非万无一失。最终的预测结果需要由经验丰富的操作员进行验证，这将有利于上一节所述的持续学习方法。 Another limitation of this study is that the method is not applied to patients with anomalies of the coronary arteries [29,30.］.如果该方法也可以应用于该患者组，则仍有待测试;但是，考虑到突然心脏骤停的风险增加[29，这些冠状动脉异常在老年患者队列中的发生率可能较低。作为最后一个限制，多层螺旋ct图像的质量很好到很好，只有少数包含运动或质量较差的图像例外。在训练数据集中包含质量较差的多层螺旋ct扫描可以提高方法的鲁棒性。

5.结论

该方法可以有效、准确、重现地检测多层螺旋ct数据中的主动脉标志。与观察者间的可变性比较表明，该策略的可靠性和将基于深度学习的工具嵌入到术前计划程序中可能会在TAVI环境中产生影响，减少时间和成本，并提高准确性。

数据可用性

用于支持本研究结果的统计数据可向相应作者索取。用于支持本研究结果的匿名图像数据由FEops N.V.根据许可证提供，因此无法免费提供。

的利益冲突

作者披露了以下信息:Peter de Jaegere是美敦力的顾问。Johan Bosmans是美敦力公司的顾问。Ole De Backer一直是雅培公司的顾问。Matthieu De Beule和Peter Mortier是FEops的股东。Francesco Iannaccone是FEops的一名员工。乔妮·丹布尔和帕特里西奥·阿斯图迪略之间没有利益冲突。

致谢

作者要感谢这两名操作人员所做的所有工作，并感谢Jonas De Grave在深度学习模型优化期间的指导和投入。特别感谢Tim Dezutter、Nieves Gata Sánchez和Giorgia Rocatello对医学图像的输入和医学图像的预处理。作者还感谢NiftyNet开发团队的工作。所有的计算工作都是在Nvidia GPU Grant Program的Nvidia GPU上执行的。欧洲委员会通过MSCA-ITN-ETN欧洲培训网络(项目编号:no。642458)。

参考文献

1. R. O. Bonow, B. A. Carabello, K. Chatterjee等人，“ACC/AHA 2006年瓣膜病患者管理指南，”美国心脏病学会杂志， vol. 48, pp. e1-e148, 2006。视图:出版商网站|谷歌学术搜索
2. C. R. Smith, M. B. Leon, M. J. Mack等人，“高危患者的经导管与手术主动脉瓣置换术”，新英格兰医学杂志，第364卷，第23期，第2187-21981011页。视图:出版商网站|谷歌学术搜索
3. J. J. Popma, G. M. Deeb, S. J. Yakubov等，“经导管主动脉瓣置换术在低风险患者中的应用”，新英格兰医学杂志第380卷第2期18日,2019年。视图:出版商网站|谷歌学术搜索
4. MJ麦克，M。B利昂，V。HThourani等人，“在低风险患者中使用球囊扩张式瓣膜进行经导管主动脉瓣置换术，”新英格兰医学杂志第380卷第2期18日,2019年。视图:出版商网站|谷歌学术搜索
5. A. G. Cerillo, M. Mariani, S. Berti, M. Glauber，“主动脉环的大小”，心胸外科年报， vol. 1, no. 12、2012。视图:出版商网站|谷歌学术搜索
6. A. M. Kasel, S. Cassese, S. Bleiziffer等，“主动脉环大小的标准化成像，”JACC:心血管成像，第6卷，第2期2, pp. 249-262, 2013。视图:出版商网站|谷歌学术搜索
7. T. Jurencak, J. Turek, B. L. J. H. Kietselaer等，“主动脉根部和主动脉瓣TAVI之前的多层螺旋ct评估。心动周期的最佳成像时间点是什么?”欧洲放射学，第25卷，第2期7, pp. 1975-1983, 2015。视图:出版商网站|谷歌学术搜索
8. P. Blanke, J. R. wer - mccall, S. Achenbach等，“经导管主动脉瓣植入(TAVI)/经导管主动脉瓣置换术(TAVR)背景下的计算机断层成像:心血管计算机断层摄影学会的专家共识文件，”心血管计算机断层摄影杂志，第13卷，第2期1, pp. 1 - 20, 2019。视图:出版商网站|谷歌学术搜索
9. Zheng Y.， M. John, R. Liao, et al.，“C-arm CT在经导管主动脉瓣植入术中的自动主动脉分割和瓣膜标志检测，”IEEE医学影像汇刊第31卷第1期12日,2012年。视图:出版商网站|谷歌学术搜索
10. 郑勇，刘丹，B. Georgescu等，三维深度学习在体积数据中高效和稳健的地标检测，施普林格，Cham，瑞士，2015。
11. C. Payer，D.Štern，H.Bischof和M. Urschler，“使用CNNS的多层地标定位回归热线，”国际医学图像计算和计算机辅助干预会议论文集2016年10月，希腊雅典。视图:谷歌学术搜索
12. S. Andermatt, S. Pezold，和P. Cattin，“用于生物医学3d数据分割的多维门控循环单元”生物医学数据大规模标注与专家标签合成国际研讨会论文集2016年，希腊雅典。视图:谷歌学术搜索
13. J. Zhang, M. Liu, D. Shen，“利用两阶段任务导向的深度神经网络从有限的医学影像数据中检测解剖标志”，IEEE图像处理汇刊，第28卷，第10期，2017年。视图:出版商网站|谷歌学术搜索
14. A.Q奥尼尔，A。卡塞纳斯，J。Henry等人，“利用atlas location autocontext在3D CT数据中检测解剖地标，实现人体水平的性能”，年欧洲电脑愿景会议的诉讼程序2018年9月，德国慕尼黑。视图:谷歌学术搜索
15. W.A.Al，H. Y. Jung，I。D. Yun等，“使用殖民地步行的冠状动脉CT血管造影中的自动主动脉瓣膜地标定位”《公共科学图书馆•综合》，第13卷，第2期7日,2018年。视图:出版商网站|谷歌学术搜索
16. E. Gibson, F. Giganti, Y. Hu等，“密集v网腹部CT多器官自动分割”，IEEE医学影像汇刊，第37卷，第2期8, 2018。视图:出版商网站|谷歌学术搜索
17. 金玛，“一种随机优化的方法”，2015，https://arxiv.org/abs/1412.6980.视图:谷歌学术搜索
18. F. Milletari, N. Navab，和S. A. Ahmadi，“V-net:用于体积医学图像分割的完全卷积神经网络”2016第四届3D视觉国际会议论文集，第565-571页，美国加利福尼亚州斯坦福市，2016年10月。视图:出版商网站|谷歌学术搜索
19. A. M. Saxe, J. L. McClelland, S. Ganguli，“深度线性神经网络中学习非线性动力学的精确解”，第1-9页，2013，https://arxiv.org/abs/1312.6120.视图:谷歌学术搜索
20. A.L马斯，A。Y汉农和A。YNg，“整流器非线性改善神经网络声学模型”，摘自国际机器学习会议论文集， 2013年6月，美国佐治亚州亚特兰大。视图:谷歌学术搜索
21. E. Gibson, W. Li, C. Sudre等人，“Niftynet:医学成像的深度学习平台”，生物医学的计算机方法和程序， 2017年。视图:出版商网站|谷歌学术搜索
22. M. Abadi, P. Barham, J. Chen等人，“张量流:用于大规模机器学习的系统”第12届USENIX操作系统设计与实现研讨会论文集(OSDI’16)，佐治亚州，美国，2016年11月。视图:谷歌学术搜索
23. V. Delgado, A. C. T. Ng, J. D. Schuijf等，“多探测器行计算机断层扫描自动评估主动脉根部尺寸”，胸外科年鉴第91卷第1期3, pp. 716-723, 2011。视图:出版商网站|谷歌学术搜索
24. 渡边y M.-C。Morice, E. Bouvier等，“经导管主动脉瓣植入术中多探测器计算机断层扫描自动三维环状主动脉评估，”JACC:心血管疾病的干预措施，第6卷，第2期9, pp. 955-964, 2013。视图:出版商网站|谷歌学术搜索
25. a . Van Linden, J. Kempfert, J. Blumenstein等，“在经导管主动脉瓣植入筛查中，计算机断层扫描中手动与自动检测主动脉环平面，”欧洲胸心外科杂志，第46卷，第2期，第207-212页，2014年。视图:出版商网站|谷歌学术搜索
26. M. Elattar, E. Wiegerinck, F. Van Kesteren等，“在经导管主动脉瓣植入术前计划的CTA图像中自动主动脉根部标记检测”，国际心血管影像杂志，卷。32，不。3，pp。501-511,2016。视图:出版商网站|谷歌学术搜索
27. F. Lalys, S. Esneault, M. Castro等人，“TAVI程序规划中的主动脉根部自动分割和解剖标志检测”，微创治疗及相关技术，卷。28 ,,没有。2018年3月3日。视图:出版商网站|谷歌学术搜索
28. J-B。马森，J。科瓦奇，G。Schuler等人，“经导管主动脉瓣植入术，”JACC:心血管疾病的干预措施，卷。2，不。9，pp。811-820，2009。视图:出版商网站|谷歌学术搜索
29. P. Angelini，“冠状动脉异常的新成像以评估其患病率、临床症状的原因和心脏性猝死的风险，”循环:心血管成像，第7卷，第5期4, pp. 747-754, 2014。视图:出版商网站|谷歌学术搜索
30. M. Krupiński, B. Laskowicz, M. Irzyk等，“计算机断层扫描评估冠状动脉起源于错误冠状窦的异常:“高危”解剖及其临床意义，”欧洲放射学，卷。24，不。10，pp。2353-2359,2014。视图:出版商网站|谷歌学术搜索

版权

版权所有©2020 Patricio Astudillo等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。