• 基于深度学习的心外膜脂肪分割与量化及其临床应用研究
心外膜脂肪与几乎所有血管及心脏疾病的发生、发展及严重程度相关，有必要对其容积、厚度及密度等指标进行量化。目前分割和量化方法的性能有待提升且难以适应心脏变形的数据，此外现有研究无法仅适用于开发模型的数据集，对于不同扫描参数/设备/中心等数据的泛化能力较差。我们建立了一个二维卷积网络及U形网络实现了心外膜脂肪的分割，基于此给出心外膜脂肪所在的区域从而提取三维图像Patch用于进行精确分割。我们建立了一个卷积和Transformer的混合模型，结合卷积的归纳能力和Transformer的全局建模能力实现了精确分割，即使在有心脏变形情况下，仍取得了较好的结果。采用无监督领域自适应方法，在无标记情况下，预期实现模型在不同数据之间的泛化，从而可以应对不同中心数据，满足临床需求。最后，预期基于研究的分割和泛化模型，以房颤数据为例，对CT/PET及血液等数据进行分析，探讨心外膜脂肪与房颤的关系及其可能导致的房颤的致病机制。
• 基于无监督机器学习及多模态MRI的血管认知障碍患者的预测
为从小血管病患者中预测哪些患者会转化为皮质下认知障碍患者，建立了无监督机器学习模型。使用CAT 12对T1数据进行分析，提取了全局和ROI水平的体素形态学（VBM）和表面形态学（SBM）的指标；使用CONN、RESTPlus及Gretna提取静息态功能磁共振的常用及图论指标；Ubuntu系统下，结合PANDA及FSL实现弥散张量成像数据的分析，提取DTI参数图指标。结合所有指标进行预处理和特征选择，建立无监督模型实现精确的分类，同时对特征贡献度进行分析，应用BrainNet Viewer对贡献脑区进行可视化。结合贡献脑区建立RVR模型探讨贡献脑区与量表的关系，进一步证明了研究提取的脑区的重要性。
• 基于深度学习算法实现T1的颅内动脉瘤分割
颅内动脉瘤的检测和分割方法很多，但都是基于血管增强影像（CTA/MRA/DSA）实现的。临床诊疗流程中，由于患者主诉及医师的水平可能会导致部分患者没有进行血管增强影像，从而导致动脉瘤的漏诊。而T1数据作为最常用的序列，在T1上实现分割会减少漏诊。创新性的设计了颅内动脉瘤自适应选择算法实现颅内动脉瘤及标签的智能提取，应用三个深度学习模型实现从不同大小/形状各异/对比度低等情况下实现分割，设计了模型集合方法实现了三个模型的结合，在减小假阳性的基础上提升了灵敏度。与血管增强方法对比，本研究使用非增强T1图像实现了相当的性能。