{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部分”：[[2024,9,6]]，“日期-时间”：“2024-09-06T12:01:28Z”，“时间戳”：1725624088521}，“发布者位置”：“美国纽约州纽约市”，“引用-计数”：45，“发布商”：“ACM”，“内容-域”：[“dl.ACM.org”]，“交叉标记-re striction“：true}，”short-container-title“（限制）：[]，“published-print”：{“date-parts”：[[2021,10,29]]}，“DOI”：“10.1145\/3500931.3500951”，“type”：“proceedings-article”，“created”：{“date-ports”：[2021,12,23]]，“date-time”：“2021-12-23T05:13:49Z”，“timestamp”：1640236429000}，”page“：”109-113“，”update-policy“http://\/dx.DOI.org\/10.1145\/crossmark-policy“，”source“：”Crossref“，”is-referenced-by-count“：0，“title”：[“心脏放射学中基于人工智能的心肌缺血检测”]，“prefix”：“10.1145”，“volume”：“201”，“author”：[{“给定”：“相如”，“家庭”：“李”，“sequence”：“first”，“affiliation”：[}“name”：“中国首都医科大学北京安贞医院心内科”}]}，{“给出”：“金帆”，“家人”：“田”，“sequence”：“additional”，“affiliation”：[{“name”：“中国北京首都医科大学北京安贞医院心内科”}]}，{“given”：“Nan”，“family”：“楠”，“se序列”：“附加”，“从属关系”：[[{”name“：”中国北京首都医科大学北京安贞医院心脏病学部”}]{“fixed”：“Chenchen”，“家庭”：“涂”，“序列”：“附加”，“附属”：[{“名称”：“首都医科大学北京安贞医院心内科”}]}，{“given”：“仙桃”，“family”：“Song”，“sequence”：“additional”，“affiliation”：[{“name”：“中国首都医科大学北京安贞医院心内科”}]}，{“fixed”：“Hongjia”，“家人”：“Zhang”，“sequence”:“additionable”，“feliation”:[{”name“：“中国首都医科大学北京安贞医院心脏外科”}]}]，“成员”：“320”，“在线发布”：{“日期部分”：[2021,12,22]]}，“参考”：[{“卷”：“201”，“期刊标题”：“美国医学杂志”，“首页”：“62”，“密钥”：“e_1_3_2_1_1_1_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@75b8fae7美国工业医学杂志2019；62 (11): 917--26. doi:10.1002 \/ajim.23037。10.1002 \/ajim.23037霍华德J.《人工智能：对未来工作的影响》，《2019年美国工业医学杂志》；62 (11): 917--26. doi:10.1002 \/ajim.23037.“}，{“volume-title”：“8月31日”，“年份”：“1955”，“键”：“e_1_3_2_1_2_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@7b7f0a20《达特茅斯人工智能夏季研究项目建议书》，1955年8月31日。AI杂志2006；27 (4): 12. doi:10.1609 \/aimag.v27i4.1904。10.1609 \/aimag.v27i4.1904 MCCARTHY J，MINSKY M L，ROCHESTER N等人，《达特茅斯人工智能夏季研究项目建议书》，1955年8月31日。AI杂志2006；27 (4): 12. doi:10.1609\/aimag.v27i4.1904.“}，｛”卷标题“：“全球心血管疾病负担和风险因素”，“年份”：“1990”，“关键”：“e_1_3_2_1_3_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@7f4091971990年至2019年全球心血管疾病负担和风险因素：GBD 2019研究更新。美国心脏病杂志2020；76 (25): 2982--3021. doi:10.1016\/j.jacc.2020.11.010。10.1016\/j.jacc.2020.11.010 ROTH G A、MENSAH G A和JOHNSON C O等。1990年-2019年全球心血管疾病负担和风险因素：GBD 2019研究更新。美国心脏病杂志2020；76 (25): 2982--3021. doi:10.1016\/j.jacc.2020.11.010.“}，{“卷”：“201”，“日志标题”：“j Am Coll Cardiol”，“首页”：“55”，“键”：“e_1_3_2_1_4_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@3a42001b国家心脏、肺和血液研究所WISE（女性缺血综合征评估）研究中，对腺苷的冠状微血管反应性可预测可疑缺血结果评估的女性的不良预后。Am Coll Cardiol杂志201；55 (25): 2825--32. doi:10.1016\/j.jacc.2010.01.054。10.1016\/j.jacc.2010.01.054 PEPINE C j，ANDERSON R D，SHARAF B L，等。根据国家心脏、肺和血液研究所WISE（女性缺血综合征评估）的研究，对腺苷的冠状微血管反应性可预测可疑缺血女性的不良结果。2010年美国大学心脏病杂志；55 (25): 2825--32. doi:10.1016\/j.jacc.2010.01.054.“}，{“volume-title”：“Pearson new international ed[M].人工智能：现代方法\/第三版，Pearson new international ed”，“年份”：“2014”，“键”：“e_1_3_2_1_5_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@89fba76人工智能：现代方法。预计起飞时间。，皮尔逊新国际编辑[M]。人工智能：现代方法。编辑，皮尔逊新国际版，2014年。斯图亚特·拉塞尔。人工智能：现代方法。编辑，Pearson new international ed[M]。人工智能：现代方法。ed.，Pearson new international ed，2014.“}，{“volume-title”：“欧洲心脏杂志2019；40（24）”，“年份”：“1975”，“关键”：“e_1_3_2_1_6_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@bb29f4f机器学习在心血管疾病中的临床应用及其与心脏成像的相关性。《欧洲心脏杂志》2019；40 (24) : 1975 --86. doi:10.1093 \/eurheartj \/ehy404。10.1093 \/eurheartj AL’AREF S J，ANCHOUCHE K，SINGH G等。机器学习在心血管疾病中的临床应用及其与心脏成像的相关性。《欧洲心脏杂志》2019；40 (24): 1975--86. doi:10.1093\/eurheartj\/ehy404.“}，{”volume“：”201“，”journal-title“：”Health Care.J Med Syst“，”first page“：“41”，“key”：“e_1_3_2_1_7_1”，“unstructured”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@70857b87医疗保健。医学系统杂志201 7；41 (4): 69. doi:10.1007 \/s10916-017-0715-6。10.1007 \/s10916-017-0715-6 ALANAZI H O，ABDULLAH A H，QUERSHI K N.《使用机器学习方法开发医学和卫生保健中精确和动态预测模型的评论》。2017年医学系统杂志；41 (4): 69. doi:10.1007\/s10916-017-0715-6.“}，{”volume“：”201“，”journal-title“：”J Cardiovasc Magn Reson“，”first page“：“21”，“key”：“e_1_3_2_1_8_1”，“unstructured”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@5a6dff54心血管磁共振中的机器学习：基本概念和应用。心血管杂志Magn Reson 201 9；21 (1): 61. doi:10.1186，s12968-019-0575-y.10.1186，s22968-019-10575-y，LEINER T，RUECKERT D，SUINESIAPUTRA A，et al.心血管磁共振中的机器学习：基本概念和应用。2019年心血管杂志Magn Reson；21 (1): 61. doi:10.1186\/s12968-019-0575-y.“}，{“volume”：“201”，“journal-title”：“J Med Imaging Radiate Sci”，“first page”：”50“，”key“：”e_1_3_2_1_9_1“，”unstructured“：”com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@2fd4b265医学成像中的机器学习和深度学习：智能成像。医学影像放射科学杂志2019；50 (4): 477--87. doi:10.1016 \/j.jmir.2019.09.005。10.1016\/j.jmir.2019.09.005 CURRIE G，HAWK K E，ROHREN E等。医学成像中的机器学习和深度学习：智能成像。医学影像放射科学杂志2019；50 (4): 477--87. doi:10.1016\/j.jmir.2019.09.005.“}，{“volume-title”：“计算冠状动脉计算机断层扫描分数流量储备的机器学习方法。应用生理学杂志（1985）2016”，“年份”：“2015”，“键”：“e_1_3_2_10_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@30030837一种用于计算冠状动脉CT分数流量储备的机器学习方法。《应用物理学杂志》（1985）2016；121 (1): 42--52. doi:10.1152 \/japplphyperical.00752。2015 . 10.1152 \/japplphysical.00752.2015 ITU L，RAPAKA S，PASSERINI T，et al.计算冠状动脉计算机断层扫描分数流量储备的机器学习方法。《应用物理学杂志》（1985）2016；121 (1): 42--52. doi:10.1152 \/japplphypercal.00752.2015.“}，{“key”：“e1_3_2_11_1”，“doi-asserted-by”：“crossref”，“unstructured”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@6b8114f3\n基于计算机断层血管造影分数血流储备的机器学习方法的诊断准确性：来自机器联盟的结果。2018年Circ心血管成像；11（6）：e007217。doi:10.1161\/CIRCIMAGING.117.007217。10.1161\/CIRCIMAGING.117.007217\nCONEN A KIM Y H KRUK M等人。基于计算机断层扫描冠状动脉血管造影分数流量储备的机器学习方法的诊断准确性：来自机器联盟的结果。2018年Circ心血管成像；11（6）：e007217。doi:10.1161\/CIRCIMAGING.117.007217.“，”doi“：”10.1161\/CRICIMAGIG.117.007217“}，{“卷”：“201”，“日志标题”：“老年心脏病杂志”，“首页”：“16”，“键”：“e_1_3_2_12_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@5e23c188通过冠状动脉CT血管造影计算FFR的深度学习方法的诊断准确性。《老年医学心脏病学杂志》201 9；16 (1): 42--8. doi:10.11909 \/j.issn.1671-5411.2019.01.010。10.11909\/j.issn.1671-5411.2019.01.010 WANG Z Q，ZHOU Y j，ZHAO Y X等。通过冠状动脉CT血管造影术计算血流储备分数的深度学习方法的诊断准确性。2019年《老年医学心脏病学杂志》；16 (1): 42--8. doi:10.11909 \/j.issn.1671-5411.201.01.010.“}，{“volume-title”：“BAUMANN S，et al.冠状动脉CT血管造影衍生分数流量储备：机器学习算法与计算流体动力学建模。放射2018”，“年份”：“2018”，”键“：”e_1_3_2_13_1“，”非结构化“：”com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@546e07b3，DE CECCO C N，BAUMANN S，等。冠状动脉CT血管造影衍生分数流量储备：机器学习算法与计算流体动力学建模。2018年放射学；288 (1): 64--72. doi:10.1148无线电。2018 171291. 10.1148无线电。2018171291 TESCHE C，DE CECCO C N，BAUMANN S，等。冠状动脉CT血管造影衍生分数流量储备：机器学习算法与计算流体动力学建模。2018年放射学；288 (1): 64--72. doi:10.1148\/radiol.2018171291.“}，{”volume“：”201“，”journal-title“：”Am J Cardiol“，”first page“：“124”，“key”：“e_1_3_2_1_14_1”，”unstructured“：”com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@7c04efb9冠状动脉计算机断层摄影血管造影衍生斑块定量和机器学习计算机断层摄影分数流量储备对不良心脏结局的影响。美国心脏病杂志2019；124 (9): 1340--8. doi:10.1016\/j.amjcard.2019.07.061。10.1016 \/j.amjcard.2019.07.061 VON KNEBEL DOEBERITZ P L，DE CECCO C N，SCHOEPF U j等。冠状动脉计算机断层摄影血管造影衍生斑块定量和机器学习计算机断层摄影分数流量储备对不良心脏结局的影响。Am J Cardiol 2019；124 (9): 1340--8. doi:10.1016\/j.amjcard.2019.07.061.“}，{“volume-title”：“DE CECCO C N，et al.冠状动脉钙对机器学习CT-FFR诊断性能的影响：来自机器注册的结果。JACC心血管成像2020”，“年份”：“2019”，“键”：“e_1_3_2_15_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@1fc15a46，DE CECCO C N，等。冠状动脉钙对机器学习CT-FFR诊断性能的影响：来自机器注册的结果。JACC心血管成像2020；13 (3): 760--70. doi:10.1016\/j.jcmg。2019 .06.027. 10.1016\/j.jcmg.2019.06.027 TESCHE C，OTANI K，DE CECCO C N等。冠状动脉钙对机器学习CT-FFR诊断性能的影响：来自机器注册的结果。JACC心血管成像2020；13 (3): 760--70. doi:10.1016\/j.jcmg.2019.06.027.“}，{“volume-title”：“休息时心脏CT血管造影图像中的心肌灌注分析。2015年医学图像分析”，“年份”：“2015年”，“关键”：“e_1_3_2_16_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@5f2ef7b7休息时心脏CT血管造影图像中的心肌灌注分析。2015年医学图像分析；24 (1): 77--89. doi:10.1016\/j.media。2015 .05.010. 10.1016\/j.media.2015.05.010 XIONG G，KOLA D，HEO R等。静息时心脏计算机断层扫描血管造影图像中的心肌灌注分析。医学图像分析2015；24 (1): 77--89. doi:10.1016\/j.media.2015.05.010.“}，{”volume“：”201“，”journal-title“：”j Nucl Cardiol“，”first page“：“25”，“key”：“e_1_3_2_17_1”，“unstructured”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@7bd9207e静息心肌CT灌注在预测具有生理意义的冠状动脉疾病中的增量作用：一种机器学习方法。心脏病杂志201 8；25 (1): 223--33. doi:10.1007，s12350-017-0834-y.10.1007。《Nucl Cardiol杂志》2018；25 (1): 223--33. doi:10.1007\/s12350-017-0834-y.“}，{“volume-title”：“心脏放射学：百年回顾。放射学2014”，“key”：“e_1_3_2_1_18_1”，“unstructured”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@207b719b心脏放射学：百年回顾。放射学2014；273（2增补）：S142-59。doi:10.1148\/radiol.14140432。10.1148 \/radiol.14140432 DE ROOS A，HIGGINS C B。心脏放射学：百年回顾。放射学2014；273（2增补）：S142-59。doi:10.1148\/radiol.14140432.“}，{”键“：”e_1_3_2_1_19_1“，”doi-asserted-by“：”交叉引用“，”非结构化“：”com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@357d1cb8\n与分数流量储备荟萃分析的有创冠状动脉造影相比，应激心肌灌注成像的诊断准确性。Circ心血管成像2015；8（1）：doi:10.1161\/CIRCIMAGING.114.002666。10.1161\/CIRCIMAGING.114.002666\nTAKX R A BLOMBERG B A EL AIDI H等人。与分数流量储备荟萃分析的有创冠状动脉造影相比，应激心肌灌注成像的诊断准确性。Circ心血管成像2015；8（1）：doi:10.11161\/CIRCIMAGING.114.002666.“，”doi“：”10.1161\/CIRCIMAGING.114.002666“}，｛”卷“：”201“，”期刊标题“：”《美国心脏病杂志》“，”首页“：”62“，”键“：”e_1_3_2_1_20_1“，”非结构化“：”com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@1d46d6ef应激性心脏磁共振成像对已知或疑似冠心病患者的预后价值：一项系统综述和荟萃分析。Am Coll Cardiol杂志201 3；62 (9): 826--38. doi:10.1016\/j.jacc.2013.03.080。10.1016\/j.jacc.2013.03.080 LIPINSKI M j，MCVEY C M，BERGER j S，et al.已知或可疑冠心病患者应激性心脏磁共振成像的预后价值：一项系统评价和荟萃分析。2013年美国心脏病杂志；62 (9): 826--38. doi:10.1016\/j.jacc.2013.03.080.“}，{“key”：“e1_3_2_1_21_1”，“doi-asserted-by”：“crossref”，“unstructured”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@2f2edfe9\n使用U-net快速处理采样不足的非笛卡尔心脏灌注图像。核磁共振生物识别2020；33（5）：e4239。doi:10.1002 \/nbm.4239。10.1002 \/nbm.4239\nFAN L SHEN D HAJI-VALIZADEH H等人。使用U-net快速处理采样不足的非笛卡尔心脏灌注图像。核磁共振生物识别2020；33（5）：e4239。doi:10.1002\/nbm.4239.“，”doi“：”10.1002\/nbm.4239“}，{“volume-title”：“首次心肌灌注MR图像序列的全自动注册和分割。Acad Radiol 2010”，“年份”：“2010”，”key“：”e_1_3_2_1_22_1“，”unstructured“：”com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@54a2943e首次心肌灌注MR图像序列的全自动配准和分割。Acad Radiol 2010；17 (11): 1375--85. doi:10.1016 \/j.acra。2010 .06.015. 10.1016\/j.acra.2010.06.015 GUPTA V，HENDRIKS E A，MILLES j等。首次心肌灌注MR图像序列的全自动配准和分割。Acad Radiol 2010；17 (11): 1375--85. doi:10.1016\/j.acra.2010.06.015.“}，{“volume”：“202”，“journal-title”：“基于深度学习的定量心肌灌注MRI预处理。磁共振成像杂志”，“首页”：“51”，“key”：”e_1_3_2_1_23_1“，“unstructured”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@967cace基于深度学习的定量心肌灌注MRI预处理。磁共振成像202 0；51 (6): 1689--96. doi:10.1002\/jmri.26983。10.1002 \/jmri.26983 SCANNELL C M，VETA M，VILLA A D M，等.基于深度学习的定量心肌灌注MRI预处理.磁共振成像杂志2020；51 (6): 1689--96. doi:10.1002\/jmri.26983.“}，{“volume-title”：“BROWN L A E，et al.带深度学习的心肌灌注MRI自动内联分析.Radiol Artif Intell 2020”，“年份”：“2000”，“键”：“E_1_3_2_1_24_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@22bd84a3，BROWN L A E，等。心肌灌注MRI自动在线分析与深度学习。Radiol人工智能Intell 2020；2（6）：e 2000 09。doi:10.1148 \/ryai.2020200009。10.1148 \/ryai.2020200009 XUE H，DAVIES R H，BROWN L A E，等。心肌灌注MRI的自动在线分析与深度学习。无线电艺术智能2020；2（6）：e200009。doi:10.1148 \/ryai.202020 0009.“}，{“volume-title”：“心血管磁共振全自动像素波定量心肌灌注成像的诊断性能。JACC心血管成像2018”，“年份”：“2018年”，“key”：“e_1_3_2_1_25_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@7bb5d68a心血管磁共振全自动像素定量心肌灌注成像的诊断性能。2018年JACC心血管成像；11 (5): 697--707. doi:10.1016\/j.jcmg。2018 .01.005. 10.1016\/j.jcmg.2018.01.005 HSU L Y，JACOBS M，BENOVOY M，等，《心血管磁共振全自动像素波定量心肌灌注成像的诊断性能》。2018年JACC心血管成像；11 (5): 697--707. doi:10.1016\/j.jcmg.2018.01.005.“}，{“volume-title”：“2019年IEEE Eng-Med Biol Soc年度国际会议；2019年824--7。doi:10“，“年份”：“2019”，“关键字”：“e1_3_2_1_26_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@3b76bea6心脏磁共振图像中基于LM学习的Deep CNN心肌缺血检测。2019年IEEE Eng-Med Biol Soc国际年会；2019 824--7. doi:10.1109。2019 .8856838. 10.1109 \/embc.2019.8856838 MUTHULAKSHMI M，KAVITHA G.心脏磁共振图像中基于LM学习的深度CNN心肌缺血检测。2019年IEEE Eng-Med Biol Soc国际年会；2019 824--7. doi:10.1109\/embc.2019.8856838.“}，{“key”：“e1_3_2_1_27_1”，“doi-asserted-by”：“crossref”，”非结构化“：”com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@cf022bc\n定量心肌灌注的预后意义：一种基于人工智能的灌注图方法。2020年发行量；141 (16): 1282--91. doi:10.1161\/circulationaha.119.044666。10.1161 \/circulationah.119.044666\nKNOTT K D SERAPHIM A AUGUSTO J B等人。定量心肌灌注的预后意义：基于人工智能的灌注成像方法。2020年发行量；141 (16): 1282--91. doi:10.1161\/circulationah.119.044666.“，”doi“：”10.1161\/circulationaha.119.044666“}，{“volume-title”：“核医学中的人工智能和机器学习：未来展望。Semin Nucl Med 2021”，“年份”：“2020”，“key”：“e_1_3_2_1_28_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@4226271d核医学中的人工智能和机器学习：未来展望。Semin Nucl Med 2021；51 (2): 170--7. doi:10.1053 \/j.semnuclmed。2020 .08.003. 10.1053 \/j.semnuclmed.2020.08.003 SEIFERT R，WEBER M，KOCAKAVUK E等人，《核医学中的人工智能和机器学习：未来展望》。Semin Nucl Med 2021年；51 (2): 170--7. doi:10.1053\/j.semnuclmed.2020.08.003.“}，{“volume-title”：“检测心肌灌注SPECT局部异常的人工神经网络的准确性。2019年医学年鉴”，“key”：“e_1_3_2_1_29_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@17f2a855人工神经网络检测心肌灌注SPECT局部异常的准确性。2019年医学年鉴；33 (2): 86--92. doi:10.1007 \/s12149-018-1306-4。10.1007 \/s12149-018-1306-4 SHIBUTANI T，NAKAJIMA K，WAKABAYASHI H等人。检测心肌灌注SPECT局部异常的人工神经网络的准确性。2019年医学年鉴；33 (2): 86--92. doi:10.1007\/s12149-018-1306-4.“}，{”volume“：”202“，”journal-title“：”Eur J Nucl Med Mol Imaging“，”first page“：“48”，“key”：“e_1_3_2_1_30_1”，“unstructured”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@197fb783通过深度学习，单应力心肌灌注SPECT的诊断准确性提高。Eur J Nucl Med Mol Imaging 202 1；48 (9): 2793--800. doi:10.1007\/s00259-021-05202-9。10.1007 \/s00259-021-05202-9 LIU H，WU J，MILLER E J，等。通过深度学习提高了应激性心肌灌注SPECT的诊断准确性。《欧洲核医学分子成像杂志》2021；48 (9): 2793--800. doi:10.1007\/s00259-021-05202-9.“}，{“key”：“e_1_3_2_1_31_1”，“unstructured”：“SPECT图像重建。国际生物成像杂志201 10.1155\/2011”}，}“volume-title”：“比较SPECT\/CT.Z Med Phys 2012的先进迭代重建方法”，“年份”：“2011”，“key“：”e_1_ 3_2_1_2_32_1“，“unsructured“：”com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@677a5082SPECT\/CT.Z Med Phys 2012先进迭代重建方法的比较；22 (1): 58--69. doi:10.1016 \/j.zemedi。2011 .04.007. 10.1016\/j.zemedi.2011.04.007 KNOLL P，KOTALOVA D，KOCHLE G，et al.SPECT\/CT.Z Med Phys 2012高级迭代重建方法比较；22 (1): 58--69. doi:10.1016\/j.zemedi.2011.04.007.“}，{”键“：”e_1_3_2_1_33_1“，”doi-asserted-by“：”交叉引用“，”非结构化“：”com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@65c8ec38\n利用噪声对噪声训练进行深度学习，用于SPECT心肌灌注成像中的去噪。医学物理2021；48 (1): 156--68. doi:10.1002\/mp.14577。10.1002\/mp.14577\nLIU J YANG Y WERNICK M N等人。SPECT心肌灌注成像去噪的噪声对噪声训练深度学习。医学物理2021；48 (1): 156--68. doi:10.1002\/mp.14577.“，”doi“：”10.1002\/mp.14577“}，{”key“：”e_1_3_2_1_34_1“，”unstructured“：”J Nucl Cardiol 202 10.1007\/s12350-021-02676-w“}”，{“volume”：“202”，“journal-title”：“IEEE Trans-Med Imaging”，“first page”：”39“，”key：“e_3_2_35_1”，”unsructuredcom.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@29ce9641利用卷积去噪网络提高低剂量SPECT心肌灌注成像的诊断准确性。IEEE Trans-Med Imaging 202 0；39 (9): 2893--903. doi:10.1109\/TMI.2020.2979940。10.1109 \/TMI.2020.2979940 RAMON A J，YANG Y，PRETORIUS P H，等。利用卷积去噪网络提高低剂量SPECT心肌灌注成像的诊断准确性。IEEE跨医学成像2020；39 (9): 2893--903. doi:10.1109\/TMI.2020.2979940.“}，{”卷“：”201“，”日志标题“：”医学杂志“，”首页“：”58“，”键“：”e_1_3_2_1_36_1“，”非结构化“：”com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@1c853dba通过机器学习实现心肌灌注SPECT\/CT中瓣膜平面的自动定位：解剖学和临床验证。《Nucl Med杂志》201 7；58 (6): 961--7. doi:10.2967 \/jnumed.116.179911。10.2967\/jnumed.116.179911 BETANCUR J，RUBEAUX M，FUCHS T A，et al.心肌灌注SPECT\/CT中自动瓣膜平面定位的机器学习：解剖学和临床验证。2017年《Nucl Med杂志》；58 (6): 961--7. doi:10.2967\/jnumed.116.179911.“}，{”volume“：”202“，”journal-title“：”Nucl-Cardiol“，”first-page“：”27“，”key“：“e_1_3_2_1_37_1”，”unstructured“：”com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@3e0ebb3e门控心肌灌注SPECT显像中基于学习的左心室自动分割和量化方法：可行性研究。心脏病杂志202 0；27 (3): 976--87. doi:10.1007 \/s12350-019-01594-2。10.1007 \/s12350-019-01594-2 WANG T，LEI Y，TANG H，等。门控心肌灌注SPECT显像中基于学习的左心室自动分割和量化方法：可行性研究。《Nucl Cardiol杂志2020》；27 (3): 976--87. doi:10.1007\/s12350-019-01594-2.“}，{“volume-title”：“通过快速心肌灌注SPECT预测梗阻性疾病的深度学习：一项多中心研究。JACC心血管成像2018”，“年份”：“2018年”，“关键”：“e_1_3_2_1_38_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@437952b6通过快速心肌灌注SPECT预测梗阻性疾病的深度学习：一项多中心研究。2018年JACC心血管成像；11 (11): 1654--63. doi:10.1016\/j.jcmg。2018 .01.020. 10.1016\/j.jcmg.2018.01.020 BETANCUR j，COMMANDEUR F，MOTLAGH M等。快速心肌灌注SPECT预测阻塞性疾病的深度学习：一项多中心研究。2018年JACC心血管成像；11 (11): 1654--63. doi:10.1016\/j.jcmg.2018.01.020.“}，{”volume“：”201“，”journal-title“：”Eur j Hybrid Imaging“，”first page“：“3”，“key”：“e_1_3_2_1_39_1”，“unstructured”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@1ed8b806利用冠状动脉CT血管造影和心肌灌注SPECT混合图像诊断冠状动脉狭窄的人工智能能力。Eur J混合成像201 9；3 (1): 4. doi:10.1186 \/s41824-019-0052-8。10.1186\/s41824-019-0052-8 YONEYAMA H，NAKAJIMA K，TAKI J，等。利用冠状动脉计算机断层扫描血管造影和心肌灌注SPECT混合图像诊断冠状动脉狭窄的人工智能能力。2019年Eur J混合成像；3 (1): 4. doi:10.1186\/s41824-019-0052-8.“}，{“卷”：“201”，“日志标题”：“医学杂志”，“首页”：“60”，“键”：“e_1_3_2_1_40_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@2b852e8a直立高效SPECT心肌灌注成像预测阻塞性冠状动脉疾病的深度学习分析：一项多中心研究。《Nucl Med杂志》201 9；60 (5): 664--70. doi:10.2967 \/jnumed.118.213538。10.2967\/jnumed.118.213538 BETANCUR J，HU L H，COMMANDEUR F，et al.直立高效SPECT心肌灌注成像预测阻塞性冠状动脉疾病的深度学习分析：一项多中心研究。2019年《新医学杂志》；60 (5): 664--70. doi:10.2967\/jnumed.118.213538.“}，{”volume“：”202“，”journal-title“：”Eur Heart J Cardiovasc Imaging“，”first page“：“21”，“key”：“e_1_3_2_1_41_1”，“unstructured”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@6019a78f机器学习预测快速心肌灌注SPECT后血管内早期冠状动脉重建：来自多中心REFINE SPECT登记的结果。欧洲心脏杂志心血管成像202 0；21 (5): 549--59. doi:10.1093\/ehjci\/jez177。10.1093，ehjci HU L H，BETANCUR J，SHARIR T，等。机器学习预测快速心肌灌注SPECT后血管早期冠状动脉重建：来自多中心REFINE SPECT登记的结果。欧洲心脏杂志心血管成像2020；21 (5): 549--59. doi:10.1093\/ehjci\/jez177.“}，{“volume-title”：“使用机器学习的临床和心肌灌注成像联合数据的预测价值。JACC心血管成像2018”，“年份”：“2017”，“key”：“e_1_3_2_1_42_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@697cb5d8使用机器学习的临床和心肌灌注成像联合数据的预测价值。2018年JACC心血管成像；11 (7): 1000--9. doi:10.1016\/j.jcmg。2017 .07.024. 10.1016\/j.jcmg.2017.07.024 BETANCUR j，OTAKI Y，MOTWANI M等。使用机器学习的临床和心肌灌注成像数据组合的预后价值。2018年JACC心血管成像；11 (7): 1000--9. doi:10.1016\/j.jcmg.2017.07.024.“}，{“volume-title”：“VAN DER ZANT F M，et al.定量PET心肌灌注成像的深度学习：心血管事件预测研究.JACC心血管成像2020”，“年份”：“2019”，“关键”：“e_1_3_2_1_43_1”，“非结构化”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@323f2879，VAN DER ZANT F M，等。定量PET心肌灌注成像的深度学习：心血管事件预测研究。JACC心血管成像2020；13（第1部分）:180--2。doi:10.1016\/j.jcmg。2019 .08.009. 10.1016\/j.jcmg.2019.08.009 JUAREZ-OROZCO L E、MARTINEZ-MANZANERA O、VAN DER ZANT F M等。定量PET心肌灌注成像的深度学习：心血管事件预测研究。JACC心血管成像2020；13（第1部分）:180--2。doi:10.1016\/j.jcmg.2019.08.009.“}，{”volume“：”201“，”journal-title“：”j Nucl Cardiol“，”first page“：“26”，“key”：“e_1_3_2_1_44_1”，“unstructured”：“com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@304ca1ca基于机器学习的腺苷心肌灌注SPECT后心脏死亡预测。心脏病杂志201 9；26 (5): 1746--54. doi:10.1007 \/s12350-018-1250-7。10.1007\\s12350-018-1250-7 HARO ALONSO D，WERNICK M N，YANG Y等。基于机器学习的腺苷心肌灌注SPECT后心脏死亡预测。2019年心脏病杂志；26 (5): 1746--54. doi:10.1007\/s12350-018-1250-7。“}，{“key”：“e_1_3_2_1_45_1”，“doi-asserted-by”：“crossref”，”unstructured“：”com.atypon.pdfplus.internal.model.plusxml.impl.AuthorGroup@1d444d93\医学和放射肿瘤学中的人工智能。Cureus 2018；doi:10.7759治疗2475。10.7759 \/cureus.2475\nWEIDLICH V WEIDLICH G A.医学和放射肿瘤学中的人工智能。Cureus 2018；doi:10.7759\/cureus.2475.“，”doi“：”10.7759\/curius.2475“}]，”event“：original-title“：[]，”link“：[{”URL“：”https:\/\/dl.acm.org\/doi\/pdf\/10.1145\/3500931.3500951“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2023,14]，”date-time“：“2023-01-14T09:02:05Z”，“timestamp”：1673686925000}，“score”：1，“资源“：{“primary”：{”URL“：”https:\/\/dl.acm.org\/doi\/10.1145\/3500931.3500951“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[2021,10,29]]}，“引用计数”：45，“alternative-id”：[“10.1145\/350931.350095”，“10.1145\/3500931”]，“URL”：“http://\/dx.doi.org\/10.1145\/35009931.3500951”，“关系”：{}，“主题”：[]，“发布”：{“日期部分”：[[2021,10,29]]}，”断言“：[{”value“：”2021-12-22“，”order“：2，”name“：”published“，”label“：”published“，”group“：{”name“:”publication_history“，”标签“：”publication history“}}]}}