Skip to main content

Künstliche Intelligenz in der kardialen Computertomographie

Artificial intelligence in cardiac computed tomography

Zusammenfassung

Die kardiale Computertomographie (CT) ermöglicht neben einer präzisen Quantifizierung des Koronarkalks zur Risikostratifizierung die nichtinvasive anatomische sowie funktionelle Beurteilung von Koronarstenosen und Plaquemorphologie und stellt somit ein in den heutigen Leitlinien zur Diagnostik der koronaren Herzerkrankung (KHK) etabliertes Verfahren dar. Längst ist künstliche Intelligenz (KI) Teil unseres Lebens – und doch stehen wir am Beginn einer neuen Epoche in der Herzbildgebung. Die Fortschritte in der Entwicklung der KI und die Anwendung auf dem Gebiet der kardialen CT bieten neben vielen Möglichkeiten der Bildverbesserung und -optimierung eine höhere diagnostische Genauigkeit der anatomischen und funktionellen Beurteilung der KHK. KI-Verfahren sind lernende Systeme, welche mittels komplexer Algorithmen, wie dem maschinellen Lernen (ML) zur automatisierten Detektion und Analyse relevanter Bilddatenmerkmale, eingesetzt werden und eine Charakterisierung von Behandlungs- und Krankheitsverläufen sowie die Risikostratifizierung ermöglichen. Die Anwendung von KI-Methoden stellt zentrale Anforderungen an Wissenschaftler und Kliniker, deren Berücksichtigung für Ergebnisse hoher Präzision unabdingbar ist. Vielversprechende Ergebnisse von KI-Verfahren in der kardialen CT ermöglichen eine stetig wachsende Zahl von klinischen Anwendungen und die Entwicklung zu einem unverzichtbaren diagnostischen Tool in der modernen Herzbildgebung.

Abstract

Cardiac computed tomography (CT) enables a precise quantification of coronary calcifications for risk stratification as well as noninvasive morphological and functional assessment of coronary stenosis and plaque morphology as an established diagnostic tool in current guidelines for the diagnostics of coronary artery disease (CAD). Artificial intelligence (AI) has long been part of our lives and yet we are at the beginning of a new epoch in cardiac imaging. The advances in the development of AI and the application in the field of cardiac CT imaging offer many possibilities for image improvement and optimization as well as improved diagnostic accuracy of anatomical and functional assessment of CAD. The AI procedures are learning systems, which use complex algorithms such as machine learning (ML) for automated detection and analysis of relevant features of imaging data and enable the characterization of treatment and disease progression as well as risk stratification. The application of AI methods places high demands on scientists and clinicians, which must be taken into account for results with high precision. Promising results of AI methods in cardiac CT facilitate a steadily growing number of clinical applications and the development into an indispensable diagnostic tool in modern cardiac imaging.

This is a preview of subscription content, access via your institution.

Abb. 1
Abb. 2
Abb. 3
Abb. 4
Abb. 5

Abbreviations

CCTA:

Kardiale CT-Angiographie („coronary computed tomography angiography“)

CT:

Computertomographie

CT-CFD:

CT-basierte Messung der Strömungsmechanik („CT-based computional fluid dynamics“)

CT-FFR:

CT-basierte Messung der fraktionellen Flussreserve („CT-based fractional flow reserve“)

CTP:

CT-Perfusion

DL:

Deep Learning

IR:

Iterative Rekonstruktion

KHK:

Koronare Herzerkrankung

KI:

Künstliche Intelligenz

KNN:

Künstliche neuronale Netzwerke

ML:

Maschinelles Lernen

MRT:

Magnetresonanztomographie

Literatur

  1. 1.

    Chow BJ, Small G, Yam Y, CONFIRM Investigators et al (2011) Incremental prognostic value of cardiac computed tomography in coronary artery disease using CONFIRM: COroNary computed tomography angiography evaluation for clinical outcomes: an InteRnational multicenter registry. Circ Cardiovasc Imaging 4:463–472

    PubMed  Google Scholar 

  2. 2.

    Maroules CD, Rajiah P, Bhasin M et al (2019) Current evidence in cardiothoracic imaging: growing evidence for coronary computed tomography angiography as a first-line test in stable chest pain. J Thorac Imaging 34:4–11

    PubMed  Google Scholar 

  3. 3.

    Meijboom WB, Van Mieghem CA, van Pelt N et al (2008) Comprehensive assessment of coronary artery stenoses: computed tomography coronary angiography versus conventional coronary angiography and correlation with fractional flow reserve in patients with stable angina. J Am Coll Cardiol 52:636–643

    PubMed  Google Scholar 

  4. 4.

    Gonzalez JA, Lipinski MJ, Flors L, Shaw PW, Kramer CM, Salerno M (2015) Meta-analysis of diagnostic performance of coronary computed tomography angiography, computed tomography perfusion, and computed tomography-fractional flow reserve in functional myocardial ischemia assessment versus invasive fractional flow reserve. Am J Cardiol 116(9):1469–1478

    PubMed  PubMed Central  Google Scholar 

  5. 5.

    Knuuti J, Wijns W, Saraste A et al (2020) 2019 ESC guidelines forthe diagnosis and management of chronic coronary syndromes. Eur Heart J 41:407–477

    PubMed  Google Scholar 

  6. 6.

    Al-Mallah MH, Aljizeeri A, Villines TC, Srichai MB, Alsaileek A (2015) Cardiac computed tomography in current cardiology guidelines. J Cardiovasc Comput Tomogr 9(6):514–523

    PubMed  Google Scholar 

  7. 7.

    Maron DJ, Hochman JS, Reynolds HR et al (2020) Initial invasive or conservative strategy for stable coronary disease. N Engl J Med 382(15):1395–1407

    PubMed  PubMed Central  Google Scholar 

  8. 8.

    Grace K, Salvatier J, Dafoe A et al (2018) Viewpoint: when will aI exceed human performance? Evidence from aI experts. J Artif Intell Res 62:729–754

    Google Scholar 

  9. 9.

    Motwani M, Dey D, Berman DS, Germano G, Achenbach S, Al-Mallah MH et al (2016) Machine learning for prediction of all cause mortality in patients with suspected coronary artery disease: a 5-year multicentre prospective registry analysis. Eur Heart J 38(7):500–507

    PubMed Central  Google Scholar 

  10. 10.

    Luxburg U (2007) A tutorial on spectral clustering. Stat Comput 17(4):395–416

    Google Scholar 

  11. 11.

    Kleesiek J, Murray JM, Strack C et al (2020) Wie funktioniert maschinelles Lernen? Radiologe 60:24–31

    PubMed  Google Scholar 

  12. 12.

    Schmidhuber J (2015) Deep learning in neural networks: an overview. Neural Netw 61:85–117

    PubMed  Google Scholar 

  13. 13.

    Hastie T, Rosset S, Zhu J, Zou H (2009) Multi-class adaboost. Stat Interface 2(3):349–360

    Google Scholar 

  14. 14.

    Breiman L (2001) Random forests. Mach Learn 45(1):5–32

    Google Scholar 

  15. 15.

    Langs G, Attenberger U, Licandro R et al (2020) Maschinelles Lernen in der Radiologie. Radiologe 60:6–14

    PubMed  Google Scholar 

  16. 16.

    van Assen M, Lee SJ, De Cecco CN (2020) Artificial intelligence from A to Z: from neural network to legal framework. Eur J Radiol 129:109083

    PubMed  Google Scholar 

  17. 17.

    Wolterink JM, Leiner T, Viergever MA, Isgum I (2017) Generative adversarial networks for noise reduction in low-dose CT. IEEE Trans Med Imaging. https://doi.org/10.1109/TMI.2017.2708987

    Article  PubMed  Google Scholar 

  18. 18.

    Shen L, Zhao W, Xing L (2019) Harnessing the power of deep learning for volumetric CT imaging with single or limited number of projections. Phys Med Imaging. https://doi.org/10.1117/12.2513032

    Article  Google Scholar 

  19. 19.

    Umehara K, Ota J, Ishida T (2018) Application of super-resolution convolutional neural network for enhancing image resolution in chest CT. J Digit Imaging 31:441–450

    PubMed  Google Scholar 

  20. 20.

    Chaibi H, Nourine R (2018) New pseudo-CT generation approach from magnetic resonance imaging using a local texture descriptor. J Biomed Phys Eng 8(1):53–64

    CAS  PubMed  PubMed Central  Google Scholar 

  21. 21.

    McClelland RL, Chung H, Detrano R, Post W, Kronmal RA (2006) Distribution of coronary artery calcium by race, gender, and age: results from the multi-ethnic study of atherosclerosis (MESA). Circulation 113:30–37

    PubMed  Google Scholar 

  22. 22.

    Tesche C, Ebersberger U, Hoffmann E, Henzler T (2018) Aktueller Stellenwert der kardialen Computertomographie in der Diagnostik der koronaren Herzerkrankung. Kardiologe. https://doi.org/10.1007/s12181-018-0251-8

    Article  Google Scholar 

  23. 23.

    Karoff M (2003) Herz-Kreislauf-Erkrankungen am Beispiel der koronaren Herzkrankheit und des akuten Myokardinfarkts. In: Schwartz FW, Badura B, Busse R, Leidl R, Raspe H, Siegrist J, Walter U (Hrsg) Das Public Health Buch. Gesundheit und Gesundheitswesen, 2. Aufl. Urban & Fischer, München, S 566–575

    Google Scholar 

  24. 24.

    Erbel R, Mohlenkamp S, Moebus S, Schmermund A, Lehmann N, Stang A, Dragano N, Gronemeyer D, Seibel R, Kalsch H, Brocker-Preuss M, Mann K, Siegrist J, Jockel KH, Heinz Nixdorf Recall Study Investigative Group (2010) Coronary risk stratification, discrimination, and reclassification improvement based on quantification of subclinical coronary atherosclerosis: the Heinz Nixdorf recall study. J Am Coll Cardiol 56:1397–1406

    PubMed  Google Scholar 

  25. 25.

    Victor RG, Haley RW, Willett DL, Peshock RM, Vaeth PC, Leonard D, Basit M, Cooper RS, Iannacchione VG, Visscher WA, Staab JM, Hobbs HH, Dallas Heart Study Investigators (2004) The Dallas heart study: a population-based probability sample for the multidisciplinary study of ethnic differences in cardiovascular health. Am J Cardiol 93:1473–1480

    PubMed  Google Scholar 

  26. 26.

    Hampe N, Wolterink JM, van Velzen SGM, Leiner T, Išgum I (2019) Machine learning for assessment of coronary artery disease in cardiac CT: a survey. Front Cardiovasc Med 6:172

    PubMed  PubMed Central  Google Scholar 

  27. 27.

    Wolterink JM, Leiner T, Takx RAP, Viergever MA, Išgum I (2015) Automatic coronary calcium scoring in non-contrast-enhanced ECG-triggered cardiac CT with ambiguity detection. IEEE Trans Med Imaging 34:1867–1878

    PubMed  Google Scholar 

  28. 28.

    Martin SS, van Assen M, Rapaka S, Hudson HT Jr, Fischer AM, Varga-Szemes A et al (2020) Evaluation of a deep learning-based automated CT coronary artery calcium scoring algorithm. JACC Cardiovasc Imaging 13:524–526

    PubMed  Google Scholar 

  29. 29.

    Van Velzen SGM, Lessmann N, Velthuis BK, Bank IEM, van den Bongard D, Leiner T et al (2020) Deep learning for automatic calcium scoring in CT: validation using multiple cardiac CT and chest CT protocols. Radiology 295:66–79

    PubMed  Google Scholar 

  30. 30.

    Yang G, Chen Y, Ning X, Sun Q, Shu H, Coatrieux JL (2016) Automatic coronary calcium scoring using noncontrast and contrast CT images. Med Phys 43:2174

    CAS  PubMed  Google Scholar 

  31. 31.

    Cano-Espinosa C, González G, Washko GR, Cazorla M, Estépar RSJ (2018) Automated Agatston score computation in non-ECG gated CT scans using deep learning. Proc SPIE Int Soc Opt Eng 10574:105742K

    PubMed  PubMed Central  Google Scholar 

  32. 32.

    Dey D, Gaur S, Ovrehus KA et al (2018) Integrated prediction of lesion-specific ischaemia from quantitative coronary CT angiography using machine learning: a multicentre study. Eur Radiol 28(6):2655–2664

    PubMed  PubMed Central  Google Scholar 

  33. 33.

    van Rosendael AR, Maliakal G, Kolli KK, Beecy A, Al’Aref SJ, Dwivedi A et al (2018) Maximization of the usage of coronary CTA derived plaque information using a machine learning based algorithm to improve risk stratification; insights from the CONFIRM registry. J Cardiovasc Comput Tomogr 12:204–209

    PubMed  Google Scholar 

  34. 34.

    Johnson KM, Johnson HE, Zhao Y, Dowe DA, Staib LH (2019) Scoring of coronary artery disease characteristics on coronary CT angiograms by using machine learning. Radiology 292:354–362

    PubMed  Google Scholar 

  35. 35.

    Coenen A, Kim YH, Kruk M, Tesche C, De Geer J, Kurata A et al (2018) Diagnostic accuracy of a machine-learning approach to coronary computed tomographic angiography-based fractional flow reserve: result from the MACHINE consortium. Circ Cardiovasc Imaging 11:e7217

    PubMed  Google Scholar 

  36. 36.

    Tesche C, De Cecco CN, Baumann S, Renker M, McLaurin TW, Duguay TM et al (2018) Coronary CT angiography-derived fractional flow reserve: machine learning algorithm versus computational fluid dynamics modeling. Radiology 288:64–72

    PubMed  Google Scholar 

  37. 37.

    Tesche C, Otani K, De Cecco CN et al (2020) Influence of coronary calcium on diagnostic performance of machine learning CT-FFR: results from MACHINE registry. JACC Cardiovasc Imaging 13(3):760–770

    PubMed  Google Scholar 

  38. 38.

    Han D, Lee JH, Rizvi A, Gransar H, Baskaran L, Schulman-Marcus J et al (2018) Incremental role of resting myocardial computed tomography perfusion for predicting physiologically significant coronary artery disease: a machine learning approach. J Nucl Cardiol 25:223–233

    PubMed  Google Scholar 

  39. 39.

    Xiong G, Kola D, Heo R, Elmore K, Cho I, Min JK (2015) Myocardial perfusion analysis in cardiac computed tomography angiographic images at rest. Med Image Anal 24:77–89

    PubMed  PubMed Central  Google Scholar 

  40. 40.

    Kang D, Dey D, Slomka PJ, Arsanjani R, Nakazato R, Ko H et al (2015) Structured learning algorithm for detection of nonob-structive and obstructive coronary plaque lesions from computed tomography angiography. J Med Imaging 2:14003

    Google Scholar 

  41. 41.

    Zreik M, van Hamersvelt RW, Wolterink JM, Leiner T, Viergever MA, Isgum I (2019) A recurrent CNN for automatic detection and classification of coronary artery plaque and stenosis in coronary CT angiography. IEEE Trans Med Imaging 38:1588–1598

    PubMed  Google Scholar 

  42. 42.

    Denzinger F et al (2020) Deep learning algorithms for coronary artery plaque characterisation from CCTA scans. In: Tolxdorff T, Deserno T, Handels H, Maier A, Maier-Hein K, Palm C (Hrsg) Bildverarbeitung für die Medizin 2020. Springer, Wiesbaden

    Google Scholar 

  43. 43.

    Kolossvary M, Karady J, Szilveszter B, Kitslaar P, Hoffmann U, Merkely B et al (2017) Radiomic features are superior to conventional quantitative computed tomographic metrics to identify coronary plaques with napkin-ring sign. Circ Cardiovasc Imaging 10(12):e6843. https://doi.org/10.1161/CIRCIMAGING.117.006843

    Article  PubMed  PubMed Central  Google Scholar 

  44. 44.

    Zhuang B, Wang S, Zhao S et al (2020) Computed tomography angiography-derived fractional flow reserve (CT-FFR) for the detection of myocardial ischemia with invasive fractional flow reserve as reference: systematic review and meta-analysis. Eur Radiol 30:712–725

    PubMed  Google Scholar 

  45. 45.

    Benton SM Jr, Tesche C, De Cecco CN, Duguay TM, Schoepf UJ, Bayer RR 2nd (2018) Noninvasive derivation of fractional flow reserve from coronary computed tomographic angiography: a review. J Thorac Imaging 33:88–96

    PubMed  Google Scholar 

  46. 46.

    Itu L, Rapaka S, Passerini T et al (2016) A machine-learning approach for computation of fractional flow reserve from coronary computed tomography. J Appl Physiol (1985) 121:42–52

    Google Scholar 

  47. 47.

    Matsumura-Nakano Y, Kawaji T, Shiomi H et al (2019) Optimal cutoff value of fractional flow reserve derived from coronary computed tomography angiography for predicting hemodynamically significant coronary artery disease. Circ Cardiovasc Imaging 12(8):e8905

    PubMed  Google Scholar 

  48. 48.

    Tesche C, Vliegenthart R, Duguay TM, De Cecco CN, Albrecht MH, De Santis D et al (2017) Coronary computed tomographic angiography-derived fractional flow reserve for therapeutic decision making. Am J Cardiol 120:2121–2127

    PubMed  Google Scholar 

  49. 49.

    van Assen M, Varga-Szemes A, Schoepf UJ, Duguay TM, Hud-son HT, Egorova S et al (2019) Automated plaque analysis for the prognostication of major adverse cardiac events. Eur J Radiol 116:76–83

    PubMed  Google Scholar 

Download references

Author information

Affiliations

Authors

Corresponding author

Correspondence to Christian Tesche MHBA FSCCT FESC.

Ethics declarations

Interessenkonflikt

Gemäß den Richtlinien des Springer Medizin Verlags werden Autoren und Wissenschaftliche Leitung im Rahmen der Manuskripterstellung und Manuskriptfreigabe aufgefordert, eine vollständige Erklärung zu ihren finanziellen und nichtfinanziellen Interessen abzugeben.

Autoren

V. Brandt: A. Finanzielle Interessen: gibt an, dass kein finanzieller Interessenkonflikt besteht. – B. Nichtfinanzielle Interessen: Ärztin in Weiterbildung (Abteilung für Kardiologie und Angiologie, Robert-Bosch-Krankenhaus Stuttgart), aktuell Research Fellow Department of Cardiovascular Imaging Medical University of South Carolina, USA. C. Tesche: A. Finanzielle Interessen: Rednerhonorar und nicht zweckgebundene Forschungsgelder: Siemens Healthineers, HeartFlow Inc., USA. – Rednerhonorar und Kostenerstattung (Kongressgebühren): Siemens Healthineers. – B. Nichtfinanzielle Interessen: Oberarzt, Klinik für Kardiologie, St. Johannes Hospital, Dortmund.

Wissenschaftliche Leitung

Die vollständige Erklärung zum Interessenkonflikt der Wissenschaftlichen Leitung finden Sie am Kurs der zertifizierten Fortbildung auf www.springermedizin.de/cme.

Der Verlag

erklärt, dass für die Publikation dieser CME-Fortbildung keine Sponsorengelder an den Verlag fließen.

Für diesen Beitrag wurden von den Autoren keine Studien an Menschen oder Tieren durchgeführt. Für die aufgeführten Studien gelten die jeweils dort angegebenen ethischen Richtlinien.

Additional information

Wissenschaftliche Leitung

Eckart Fleck, Berlin

CME-Fragebogen

CME-Fragebogen

Ein 55-jähriger, asymptomatischer Patient kommt zu Ihnen und wünscht eine Abklärung in Bezug auf das Vorliegen einer koronaren Herzerkrankung (KHK). Welches der folgenden diagnostischen Verfahren in Kombination mit Methoden der künstlichen Intelligenz dient als Test für das Vorliegen einer KHK mit direkter Kalkquantifizierung sowie hoher Risikostratifizierung?

Fahrradergometrie

Kalzium-Scoring

Stressechokardiographie

Magnetresonanztomographie (MRT) Late-Enhancement

Szintigraphie

Was ist kein gängiger KI(künstliche Intelligenz)-Algorithmus?

Random Forest

Convolutional neural network

Deep neuronal network

Ada Boost

Trade Boost

In welchem Fall eignet sich die Anwendung von Verfahren künstlicher Intelligenz nicht?

Automatisierte Plaquedetektion und -klassifizierung

Individuelle kardiovaskuläre Risikostratifizierung

Quantifizierung einer hämodynamisch relevanten koronaren Herzerkrankung (KHK) mittels Computertomographie-basierter Messung der fraktionellen Flussreserve (CT-FFR)

Auswahl geeigneter Stentgrößen

Risikostratifizierung unerwünschter Ereignisse („adverse events“, Outcomeprädiktion) nach kardiochirurgischen Interventionen

Durch welche der folgenden Aussagen ist die Möglichkeit der Dosisreduktion in der Computertomographie (CT) gegeben?

Rekonstruktion vollständiger Projektionen

Rekonstruktion hochaufgelöster Bilddaten aus Daten geringerer Schichtdicke

Rekonstruktion aus Mehrfachprojektionen

Rekonstruktion von Pseudo-CT-Bildern

Verwendung nicht-EKG(Elektrokardiogramm)-getriggerter Röhrenstrommodulation

Was ist der Unterschied zwischen schwachen und generellen/starken Verfahren mit künstlicher Intelligenz (KI)?

Eine Stärke starker KI-Verfahren liegt in der Erkennung von Texten sowie der Auswertung von Bildern.

Die schwache KI besitzt keine explizite Fähigkeit, selbstständig im universellen Sinne zu lernen, ihre Lernfähigkeiten sind auf das Trainieren von Erkennungsmustern reduziert.

Die schwache KI kann selbstständig Aufgabenstellungen erkennen und definieren.

Die Stärke schwacher KI-Verfahren liegt in der Fähigkeit, Kombinationen unterschiedlicher Charakteristika analysieren zu können.

Im Gegenteil zu schwacher KI sind starke KI-Verfahren in der Lage, menschliche Gegner im Schach zu schlagen.

Was ist keine CT(Computertomographie)-basierte Technik zur Evaluation der hämodynamischen Relevanz von Koronarstenosen?

CT-basierte Messung der fraktionellen Flussreserve mit maschinellem Lernen (CT-FFRML)

Statische CT-Perfusion

CT-basierte Messung der fraktionellen Flussreserve mit numerischer Strömungsmechanik (CT-FFRCFD)

High-pitch-Akquisition

Dynamische CT(Computertomographie)-Perfusion

Was zeichnet „deep learning“ (DL) aus?

Es kann im Gegensatz zu maschinellem Lernen keine intelligenten Entscheidungen treffen.

Die Existenz weniger Neuronen‑/Zwischenschichten zwischen Ein- und Ausgabeschicht.

Die Fähigkeit, durch künstliche neuronale Netze (KNN) unstrukturierte Daten verarbeiten zu können.

DL nutzt kleine bis große strukturierte Datenmengen.

DL selbst kann keine geeigneten Unterscheidungsmerkmale identifizieren.

Was ermöglichen Methoden maschinellen Lernens in der kardialen CT(Computertomographie)-Bildgebung nicht?

Automatische Detektion und Segmentierung diagnoserelevanter Muster

Automatische Berechnung der ursprünglichen Rohdatensätze

Automatische Identifikation von Prognoseprädiktoren

Automatisierte Kalkquantifizierung

Automatisierte Identifikation hämodynamischer Strömungsverhältnisse

Welche der folgenden Aussagen ist keine zentrale Anforderung bei Anwendung von KI(künstliche Intelligenz)-Methoden?

Verwendung qualitätsgesicherter validierter Daten

Eindeutig voneinander getrennte Trainings‑, Validierungs- und Testdatensätze

Ausreichende Datenqualität und -quantität

Die Validierung mittels einfacher Trainingsdatensätze

Vermeidung von Bias und Overfitting

Welche der folgenden Aussagen zu „unüberwachtem Lernen/unsupervised learning“ trifft zu?

Beim unüberwachten Lernen sind Input- und Outputdaten vorgegeben.

Unüberwachte Lernansätze benötigen Beispieldaten mit Zielvariablen.

Eine Performancesteigerung ist bereits anhand geringer Daten möglich.

Eine Methode des unüberwachten Lernens ist die Erweiterung der Dimension der Datenerfassung.

Unüberwachtes Lernen ist eine Methode maschinellen Lernens, ohne im Voraus bekannte Zielwerte. Es erfolgt die selbständige Erkennung von Mustern und Zusammenhängen.

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Brandt, V., Tesche, C. Künstliche Intelligenz in der kardialen Computertomographie. Kardiologe 15, 655–668 (2021). https://doi.org/10.1007/s12181-021-00511-7

Download citation

Schlüsselwörter

  • Künstliche Intelligenz
  • Koronare Herzerkrankung
  • Maschinelles Lernen
  • Fraktionelle Flussreserve
  • Algorithmen

Keywords

  • Artificial intelligence
  • Coronary artery disease
  • Machine learning
  • Fractional flow reserve
  • Algorithms