Шарапова О.В., Кича Д.И., Герасимова Л.И., и др. Картографический анализ показателей заболеваемости и смертности от болезней системы кровообращения населения Российской Федерации (2010-2019 гг.) // Комплексные проблемы сердечно-сосудистых заболеваний. 2022. Т. 11, № 1. С. 56–68. EDN: ZUQVNA doi: 10.17802/2306-1278-2022-11-1-56-68.
DOI: 10.17802/2306-1278-2022-11-1-56-68
Мальков О.А., Говорухина А.А., Бурыкин Ю.Г., Афинеевская А.Ю. Роль кальцификации в патогенезе воспалительной реакции артериальной стенки (на примере сосудов шеи и головы взрослого населения) // Журнал медико-биологических исследований. 2021. Т. 9, № 4. С. 435–443. EDN: FTSKDS doi: 10.37482/2687-1491-Z081.
DOI: 10.37482/2687-1491-Z081
Арчакова Т.В., Недосугова Л.В. Факторы кальцификации сосудов у пациентов с сахарным диабетом 2 типа, получающих лечение программным гемодиализом // Сахарный диабет. 2020. Т. 23, № 2. С. 125–131. EDN: KPXIVL doi: 10.14341/DM10145.
DOI: 10.14341/DM10145
Mori H, Torii S, Kutyna M, et al. Coronary Artery Calcification and its Progression: What Does it Really Mean? // JACC Cardiovasc Imaging. 2018. Vol. 11, N 1. P. 127–142. doi: 10.1016/j.jcmg.2017.10.012.
DOI: 10.1016/j.jcmg.2017.10.012
Йео К.К. Искусственный интеллект в кардиологии: сработал ли он? // Российский журнал персонализированной медицины. 2022. Т. 2, № 6. С. 16–22. EDN: UIENOT doi: 10.18705/2782-3806-2022-2-6-16-22.
DOI: 10.18705/2782-3806-2022-2-6-16-22
Карпов О.Э., Андриков Д.А., Максименко В.А., Храмов А.Е. Прозрачный искусственный интеллект для медицины // Врач и информационные технологии. 2022. № 2. С. 4–11. EDN: DTCAWX doi: 10.25881/18110193_2022_2_4.
DOI: 10.25881/18110193_2022_2_4
Greenland P., LaBree L., Azen S.P., et al. Coronary artery calcium score combined with Framingham score for risk prediction in asymptomatic individuals // JAMA. 2004. Vol. 291, N 2. P. 210–215. doi: 10.1001/jama.291.2.210.
DOI: 10.1001/jama.291.2.210
Criqui M.H., Denenberg J.O., Ix J.H., et al. Calcium density of coronary artery plaque and risk of incident cardiovascular events // JAMA. 2014. Vol. 311, N 3. P. 271–278. doi: 10.1001/jama.2013.282535.
DOI: 10.1001/jama.2013.282535
Carr J.J., Jacobs D.R. Jr, Terry J.G., et al. Association of Coronary Artery Calcium in Adults Aged 32 to 46 Years With Incident Coronary Heart Disease and Death // JAMA Cardiol. 2017. Vol. 2, N 4. P. 391–399. doi: 10.1001/jamacardio.2016.5493.
DOI: 10.1001/jamacardio.2016.5493
Халиков А.А., Кузнецов К.О., Искужина Л.Р., и др. Судебно-медицинские аспекты внезапной аутопсия-отрицательной сердечной смерти // Судебно-медицинская экспертиза. 2021. Т. 64, № 3. С. 59–63. doi: 10.17116/sudmed20216403159.
DOI: 10.17116/sudmed20216403159
Eisen A., Tenenbaum A., Koren-Morag N., et al. Calcification of the thoracic aorta as detected by spiral computed tomography among stable angina pectoris patients: association with cardiovascular events and death // Circulation. 2008. Vol. 118, N 13. P. 1328–1334. doi: 10.1161/CIRCULATIONAHA.107.712141.
DOI: 10.1161/CIRCULATIONAHA.107.712141
Itani Y., Watanabe S., Masuda Y. Relationship between aortic calcification and stroke in a mass screening program using a mobile helical computed tomography unit // Circ J. 2006. Vol. 70, N 6. P. 733–736. doi: 10.1253/circj.70.733.
DOI: 10.1253/circj.70.733
Lee R., Matsutani N., Polimenakos A.C., et al. Preoperative noncontrast chest computed tomography identifies potential aortic emboli // Ann Thorac Surg. 2007. Vol. 84, N 1. P. 38–42. doi: 10.1016/j.athoracsur.2007.03.025.
DOI: 10.1016/j.athoracsur.2007.03.025
Zweig B.M., Sheth M., Simpson S., Al-Mallah M.H. Association of abdominal aortic calcium with coronary artery calcium and obstructive coronary artery disease: a pilot study // Int J Cardiovasc Imaging. 2012. Vol. 28, N 2. P. 399–404. doi: 10.1007/s10554-011-9818-1.
DOI: 10.1007/s10554-011-9818-1
An C., Lee H.J., Lee H.S., et al. CT-based abdominal aortic calcification score as a surrogate marker for predicting the presence of asymptomatic coronary artery disease // Eur Radiol. 2014. Vol. 24, N 10. P. 2491–2498. doi: 10.1007/s00330-014-3298-3.
DOI: 10.1007/s00330-014-3298-3
Мельников М.В., Зелинский В.А., Жорина А.С., Чуглова Д.А. Кальцификация абдоминальной аорты при периферическом атеросклерозе: факторы риска и маркёры // Атеросклероз и дислипидемии. 2014. № 3. С. 33–38. EDN: SISNRZ
Bagger Y.Z., Tankó L.B., Alexandersen P., et al. Radiographic measure of aorta calcification is a site-specific predictor of bone loss and fracture risk at the hip // J Intern Med. 2006. Vol. 259, N 6. P. 598–605. doi: 10.1111/j.1365-2796.2006.01640.x.
DOI: 10.1111/j.1365-2796.2006.01640.x
Szulc P., Blackwell T., Schousboe J.T., et al. High hip fracture risk in men with severe aortic calcification: MrOS study // J Bone Miner Res. 2014. Vol. 29, N 4. P. 968–975. doi: 10.1002/jbmr.2085.
DOI: 10.1002/jbmr.2085
Лобанова Н.Ю., Чичерина Е.Н., Мальчикова С.В., Максимчук-Колобова Н.С. Напряжение сдвига на эндотелии стенки сонной артерии и кальциноз коронарных артерий у пациентов с гипертонической болезнью // Южно-Российский журнал терапевтической практики. 2022. Т. 3, № 3. С. 60–67. EDN: QWCOCH doi: 10.21886/2712-8156-2022-3-3-60-67.
DOI: 10.21886/2712-8156-2022-3-3-60-67
Kim J.T., Yoo S.H., Kwon J.H., et al. Subtyping of ischemic stroke based on vascular imaging: analysis of 1,167 acute, consecutive patients // J Clin Neurol. 2006. Vol. 2, N 4. P. 225–230. doi: 10.3988/jcn.2006.2.4.225.
DOI: 10.3988/jcn.2006.2.4.225
Wong L.K. Global burden of intracranial atherosclerosis // Int J Stroke. 2006. Vol. 1, N 3. P. 158–159. doi: 10.1111/j.1747-4949.2006.00045.x.
DOI: 10.1111/j.1747-4949.2006.00045.x
Kockelkoren R., De Vis J.B., de Jong P.A., et al. Intracranial Carotid Artery Calcification From Infancy to Old Age // J Am Coll Cardiol. 2018. Vol. 72, N 5. P. 582–584. doi: 10.1016/j.jacc.2018.05.021.
DOI: 10.1016/j.jacc.2018.05.021
Huang Z., Xiao J., Xie Y., et al. The correlation of deep learning-based CAD-RADS evaluated by coronary computed tomography angiography with breast arterial calcification on mammography // Sci Rep. 2020. Vol. 10, N 1. P. 11532. doi: 10.1038/s41598-020-68378-4.
DOI: 10.1038/s41598-020-68378-4
Бочкарева Е.В., Бутина Е.К., Байрамкулова Н.Х., и др. Распространенность и степень тяжести кальциноза артерий молочной железы — нового маркёра сердечно-сосудистого риска у женщин // Рациональная Фармакотерапия в Кардиологии. 2022. Т. 18, № 5. С. 530–535. EDN: HUFTZE doi: 10.20996/1819-6446-2022-09-01.
DOI: 10.20996/1819-6446-2022-09-01
Бочкарева Е.В., Бутина Е.К., Байрамкулова Н.Х., Драпкина О.М. Кальциноз артерий молочной железы и сахарный диабет: клинический пример и краткий обзор литературы // Профилактическая медицина. 2021. Т. 24, № 9. С. 97–101. EDN: QPQDLT doi: 10.17116/profmed20212409197.
DOI: 10.17116/profmed20212409197
Бочкарева Е.В., Бутина Е.К., Савин А.С., и др. Кальциноз артерий молочной железы: потенциальный суррогатный маркёр цереброваскулярных заболеваний // Профилактическая медицина. 2020. Т. 23, № 5. С. 164–169. EDN: IRHLDZ doi: 10.17116/profmed202023051164.
DOI: 10.17116/profmed202023051164
Бочкарева Е.В., Бутина Е.К., Савин А.С., Драпкина О.М. Кальциноз артерий молочной железы и остеопороз у женщины в постменопаузе (клинический случай и мнение по проблеме) // Кардиоваскулярная терапия и профилактика. 2020. Т. 19, № 4. С. 2574. EDN: RTDDQG doi: 10.15829/1728-8800-2020-2574.
DOI: 10.15829/1728-8800-2020-2574
Wang J., Ding H., Bidgoli F.A., et al. Detecting Cardiovascular Disease from Mammograms With Deep Learning // IEEE Trans Med Imaging. 2017. Vol. 36, N 5. P. 1172–1181. doi: 10.1109/TMI.2017.2655486.
DOI: 10.1109/TMI.2017.2655486
Голубев Н.А., Огрызко Е.В., Тюрина Е.М., Шелепова Е.А., Шелехов П.В. Особенности развития службы лучевой диагностики в Российской Федерации за 2014–2019 года // Современные проблемы здравоохранения и медицинской статистики. 2021. № 2. С. 356–376. EDN: EHSADW doi: 10.24412/2312-2935-2021-2-356-376.
DOI: 10.24412/2312-2935-2021-2-356-376
Krupinski E.A., Berbaum K.S., Caldwell R.T., et al. Long radiology workdays reduce detection and accommodation accuracy // J Am Coll Radiol. 2010. Vol. 7, N 9. P. 698–704. doi: 10.1016/j.jacr.2010.03.004.
DOI: 10.1016/j.jacr.2010.03.004
Lee C.S., Nagy P.G., Weaver S.J., Newman-Toker D.E. Cognitive and system factors contributing to diagnostic errors in radiology // AJR Am J Roentgenol. 2013. Vol. 201, N 3. P. 611–617. doi: 10.2214/AJR.12.10375.
DOI: 10.2214/AJR.12.10375
Николаев А.Е., Шапиев А.Н., Блохин И.А., и др. Новые подходы к оценке изменений коронарных артерий при мультиспиральной компьютерной томографии // Российский кардиологический журнал. 2019. № 12. С. 124–130. EDN: VHYAYK doi: 10.15829/1560-4071-2019-12-124-130.
DOI: 10.15829/1560-4071-2019-12-124-130
Guo X., O’Neill W.C., Vey B., et al. SCU-Net: A deep learning method for segmentation and quantification of breast arterial calcifications on mammograms // Med Phys. 2021. Vol. 48, N 10. P. 5851–5861. doi: 10.1002/mp.15017.
DOI: 10.1002/mp.15017
Yacoub B., Kabakus I.M., Schoepf U.J., et al. Performance of an Artificial Intelligence-Based Platform Against Clinical Radiology Reports for the Evaluation of Noncontrast Chest CT // Acad Radiol. 2022. Vol. 29, N 2. P. 108–117. doi: 10.1016/j.acra.2021.02.007.
DOI: 10.1016/j.acra.2021.02.007
Isgum I., Rutten A., Prokop M., van Ginneken B. Detection of coronary calcifications from computed tomography scans for automated risk assessment of coronary artery disease // Med Phys. 2007. Vol. 34, N 4. P. 1450–1461. doi: 10.1118/1.2710548.
DOI: 10.1118/1.2710548
Kurkure U., Chittajallu D.R., Brunner G., et al. A supervised classification-based method for coronary calcium detection in non-contrast CT // Int J Cardiovasc Imaging. 2010. Vol. 26, N 7. P. 817–828. doi: 10.1007/s10554-010-9607-2.
DOI: 10.1007/s10554-010-9607-2
Brunner G., Chittajallu D.R., Kurkure U., Kakadiaris I.A. Toward the automatic detection of coronary artery calcification in non-contrast computed tomography data // Int J Cardiovasc Imaging. 2010. Vol. 26, N 7. P. 829–838. doi: 10.1007/s10554-010-9608-1.
DOI: 10.1007/s10554-010-9608-1
Brunner G., Kurkure U., Chittajallu D.R., et al. Toward unsupervised classification of calcified arterial lesions // Med Image Comput Comput Assist Interv. 2008. Vol. 11, N 1. P. 144-152. doi: 10.1007/978-3-540-85988-8_18.
DOI: 10.1007/978-3-540-85988-8_18
Takx R.A., de Jong P.A., Leiner T., et al. Automated coronary artery calcification scoring in non-gated chest CT: agreement and reliability // PLoS One. 2014. Vol. 9, N 3. P. e91239. doi: 10.1371/journal.pone.0091239.
DOI: 10.1371/journal.pone.0091239
Wolterink J.M., Leiner T., Takx R.A., et al. Automatic Coronary Calcium Scoring in Non-Contrast-Enhanced ECG-Triggered Cardiac CT With Ambiguity Detection // IEEE Trans Med Imaging. 2015. Vol. 34, N 9. P. 1867–1878. doi: 10.1109/TMI.2015.2412651.
DOI: 10.1109/TMI.2015.2412651
Saur S.C., Alkadhi H., Desbiolles L., et al. Automatic detection of calcified coronary plaques in computed tomography data sets // Med Image Comput Comput Assist Interv. 2008. Vol. 11, N 1. P. 170–177. doi: 10.1007/978-3-540-85988-8_21.
DOI: 10.1007/978-3-540-85988-8_21
Yang G., Chen Y., Ning X., et al. Automatic coronary calcium scoring using noncontrast and contrast CT images // Med Phys. 2016. Vol. 43, N 5. P. 2174. doi: 10.1118/1.4945045.
DOI: 10.1118/1.4945045
Jiang B., Guo N., Ge Y., et al. Development and application of artificial intelligence in cardiac imaging // Br J Radiol. 2020. Vol. 93, N 1113. P. 20190812. doi: 10.1259/bjr.20190812.
DOI: 10.1259/bjr.20190812
Shahzad R., van Walsum T., Schaap M., et al. Vessel specific coronary artery calcium scoring: an automatic system // Acad Radiol. 2013. Vol. 20, N 1. P. 1–9. doi: 10.1016/j.acra.2012.07.018.
DOI: 10.1016/j.acra.2012.07.018
Cano-Espinosa C., González G., Washko G.R., et al. Automated Agatston Score Computation in non-ECG Gated CT Scans Using Deep Learning // Proc SPIE Int Soc Opt Eng. 2018. Vol. 10574. P. 105742K. doi: 10.1117/12.2293681.
DOI: 10.1117/12.2293681
Gogin N., Viti M., Nicodème L., et al. Automatic coronary artery calcium scoring from unenhanced-ECG-gated CT using deep learning // Diagn Interv Imaging. 2021. Vol. 102, N 11. P. 683–690. doi: 10.1016/j.diii.2021.05.004.
DOI: 10.1016/j.diii.2021.05.004
Wolterink J.M., Leiner T., de Vos B.D., et al. Automatic coronary artery calcium scoring in cardiac CT angiography using paired convolutional neural networks // Med Image Anal. 2016. Vol. 34. P. 123–136. doi: 10.1016/j.media.2016.04.004.
DOI: 10.1016/j.media.2016.04.004
Wang W., Wang H., Chen Q., et al. Coronary artery calcium score quantification using a deep-learning algorithm // Clin Radiol. 2020. Vol. 75, N 3. P. 237.e11–237.e16. doi: 10.1016/j.crad.2019.10.012.
DOI: 10.1016/j.crad.2019.10.012
Singh G., Al’Aref S.J., Lee B.C., et al. End-to-End, Pixel-Wise Vessel-Specific Coronary and Aortic Calcium Detection and Scoring Using Deep Learning // Diagnostics (Basel). 2021. Vol. 11, N 2. P. 215. doi: 10.3390/diagnostics11020215.
DOI: 10.3390/diagnostics11020215
Martin S.S., van Assen M., Rapaka S., et al. Evaluation of a Deep Learning-Based Automated CT Coronary Artery Calcium Scoring Algorithm // JACC Cardiovasc Imaging. 2020. Vol. 13, N 1. P. 524–526. doi: 10.1016/j.jcmg.2019.09.015.
DOI: 10.1016/j.jcmg.2019.09.015
Zhang N., Yang G., Zhang W., et al. Fully automatic framework for comprehensive coronary artery calcium scores analysis on non-contrast cardiac-gated CT scan: Total and vessel-specific quantifications // Eur J Radiol. 2021. Vol. 134. P. 109420. doi: 10.1016/j.ejrad.2020.109420.
DOI: 10.1016/j.ejrad.2020.109420
de Vos B.D., Wolterink J.M., Leiner T., et al. Direct Automatic Coronary Calcium Scoring in Cardiac and Chest CT // IEEE Trans Med Imaging. 2019. Vol. 38, N 9. P. 2127–2138. doi: 10.1109/TMI.2019.2899534.
DOI: 10.1109/TMI.2019.2899534
AlGhamdi M., Abdel-Mottaleb M., Collado-Mesa F. DU-Net: Convolutional Network for the Detection of Arterial Calcifications in Mammograms // IEEE Trans Med Imaging. 2020. Vol. 39, N 10. P. 3240–3249. doi: 10.1109/TMI.2020.2989737.
DOI: 10.1109/TMI.2020.2989737
Николаев А.Е., Коркунова О.А., Хуторной И.В., и др. Сопоставимость методик оценки коронарных рисков по данным ультра-НДКТ грудной клетки и КТ-коронарографии с ЭКГ-синхронизацией // Медицинская визуализация. 2021. Т. 25, № 4. С. 75–92. EDN: CMSGAX doi: 10.24835/1607-0763-1047.
DOI: 10.24835/1607-0763-1047
van Assen M., Martin S.S., Varga-Szemes A., et al. Automatic coronary calcium scoring in chest CT using a deep neural network in direct comparison with non-contrast cardiac CT: A validation study // Eur J Radiol. 2021. Vol. 134. P. 109428. doi: 10.1016/j.ejrad.2020.109428.
DOI: 10.1016/j.ejrad.2020.109428
Николаев А.Е., Шапиев А.Н., Блохин И.А. Стандартизация оценки кальцификации коронарных артерий на бесконтрастных компьютерных томограммах без ЭКГ-синхронизации // Radiology Study. 2020. Т. 3, № 2. С. 45–52. EDN: VVGXBI
Isgum I., Prokop M., Niemeijer M., et al. Automatic coronary calcium scoring in low-dose chest computed tomography // IEEE Trans Med Imaging. 2012. Vol. 31, N 12. P. 2322–2334. doi: 10.1109/TMI.2012.2216889.
DOI: 10.1109/TMI.2012.2216889
Wolterink J.M., Leiner T., Viergever M.A., Isgum I. Generative Adversarial Networks for Noise Reduction in Low-Dose CT // IEEE Trans Med Imaging. 2017. Vol. 36, N 12. P. 2536–2545. doi: 10.1109/TMI.2017.2708987.
DOI: 10.1109/TMI.2017.2708987
Klug M., Shemesh J., Green M., et al. A deep-learning method for the denoising of ultra-low dose chest CT in coronary artery calcium score evaluation // Clin Radiol. 2022. Vol. 77, N 7. P. 509–517. doi: 10.1016/j.crad.2022.03.005.
DOI: 10.1016/j.crad.2022.03.005
Sun Z., Ng C.K.C. Artificial Intelligence (Enhanced Super-Resolution Generative Adversarial Network) for Calcium Deblooming in Coronary Computed Tomography Angiography: A Feasibility Study // Diagnostics (Basel). 2022. Vol. 12, N 4. P. 991. doi: 10.3390/diagnostics12040991.
DOI: 10.3390/diagnostics12040991
Eng D., Chute C., Khandwala N., et al. Automated coronary calcium scoring using deep learning with multicenter external validation // NPJ Digit Med. 2021. Vol. 4, N 1. P. 88. doi: 10.1038/s41746-021-00460-1.
DOI: 10.1038/s41746-021-00460-1
Морозов С.П., Кокина Д.Ю., Павлов Н.А., и др. Клинические аспекты применения искусственного интеллекта для интерпретации рентгенограмм органов грудной клетки // Туберкулез и болезни легких. 2021. Т. 99, № 4. С. 58–64. doi: 10.21292/2075-1230-2021-99-4-58-64.
DOI: 10.21292/2075-1230-2021-99-4-58-64
Kamel P.I., Yi P.H., Sair H.I., Lin C.T. Prediction of Coronary Artery Calcium and Cardiovascular Risk on Chest Radiographs Using Deep Learning // Radiol Cardiothorac Imaging. 2021. Vol. 3, N 3. P. e200486. doi: 10.1148/ryct.2021200486.
DOI: 10.1148/ryct.2021200486
Du T., Xie L., Zhang H., et al. Training and validation of a deep learning architecture for the automatic analysis of coronary angiography // EuroIntervention. 2021. Vol. 17, N 1. P. 32–40. doi: 10.4244/EIJ-D-20-00570.
DOI: 10.4244/EIJ-D-20-00570
Isgum I., Rutten A., Prokop M., et al. Automated aortic calcium scoring on low-dose chest computed tomography // Med Phys. 2010. Vol. 37, N 2. P. 714–723. doi: 10.1118/1.3284211.
DOI: 10.1118/1.3284211
de Vos B.D., Lessmann N., de Jong P.A., Išgum I. Deep Learning-Quantified Calcium Scores for Automatic Cardiovascular Mortality Prediction at Lung Screening Low-Dose CT // Radiol Cardiothorac Imaging. 2021. Vol. 3, N 2. P. e190219. doi: 10.1148/ryct.2021190219.
DOI: 10.1148/ryct.2021190219
van Velzen S.G.M., Lessmann N., Velthuis B.K., et al. Deep Learning for Automatic Calcium Scoring in CT: Validation Using Multiple Cardiac CT and Chest CT Protocols // Radiology. 2020. Vol. 295, N 1. P. 66–79. doi: 10.1148/radiol.2020191621.
DOI: 10.1148/radiol.2020191621
Guilenea F.N., Casciaro M.E., Pascaner A.F., et al. Thoracic Aorta Calcium Detection and Quantification Using Convolutional Neural Networks in a Large Cohort of Intermediate-Risk Patients // Tomography. 2021. Vol. 7, N 4. P. 636–649. doi: 10.3390/tomography7040054.
DOI: 10.3390/tomography7040054
Reid S., Schousboe J.T., Kimelman D., et al. Machine learning for automated abdominal aortic calcification scoring of DXA vertebral fracture assessment images: A pilot study // Bone. 2021. Vol. 148. P. 115943. doi: 10.1016/j.bone.2021.115943.
DOI: 10.1016/j.bone.2021.115943
Graffy P.M., Liu J., O’Connor S., et al. Automated segmentation and quantification of aortic calcification at abdominal CT: application of a deep learning-based algorithm to a longitudinal screening cohort // Abdom Radiol (NY). 2019. Vol. 44, N 8. P. 2921–2928. doi: 10.1007/s00261-019-02014-2.
DOI: 10.1007/s00261-019-02014-2
van Engelen A., Niessen W.J., Klein S., et al. Atherosclerotic plaque component segmentation in combined carotid MRI and CTA data incorporating class label uncertainty // PLoS One. 2014. Vol. 9, N 4. P. e94840. doi: 10.1371/journal.pone.0094840.
DOI: 10.1371/journal.pone.0094840
Онищенко П.С., Клышников К.Ю., Овчаренко Е.А. Искусственные нейронные сети в кардиологии: анализ графических данных // Бюллетень сибирской медицины. 2021. Т. 20, № 4. С. 193–204. EDN: XVBERA doi: 10.20538/1682-0363-2021-4-193-204.
DOI: 10.20538/1682-0363-2021-4-193-204
Bortsova G., Bos D., Dubost F., et al. Automated Segmentation and Volume Measurement of Intracranial Internal Carotid Artery Calcification at Noncontrast CT // Radiol Artif Intell. 2021. Vol. 3, N 5. P. e200226. doi: 10.1148/ryai.2021200226.
DOI: 10.1148/ryai.2021200226
Li D., Qiao H., Han Y., et al. Histological validation of simultaneous non-contrast angiography and intraplaque hemorrhage imaging (SNAP) for characterizing carotid intraplaque hemorrhage // Eur Radiol. 2021. Vol. 31, N 5. P. 3106–3115. doi: 10.1007/s00330-020-07352-0.
DOI: 10.1007/s00330-020-07352-0
Chen S., Ning J., Zhao X., et al. Fast simultaneous noncontrast angiography and intraplaque hemorrhage (fSNAP) sequence for carotid artery imaging // Magn Reson Med. 2017. Vol. 77, N 2. P. 753–758. doi: 10.1002/mrm.26111.
DOI: 10.1002/mrm.26111
Qi H., Sun J., Qiao H., et al. Carotid Intraplaque Hemorrhage Imaging with Quantitative Vessel Wall T1 Mapping: Technical Development and Initial Experience // Radiology. 2018. Vol. 287, N 1. P. 276–284. doi: 10.1148/radiol.2017170526.
DOI: 10.1148/radiol.2017170526
Cheng J.Z., Cole E.B., Pisano E.D., Shen D. Detection of arterial calcification in mammograms by random walks // Inf Process Med Imaging. 2009. Vol. 21. P. 713–724. doi: 10.1007/978-3-642-02498-6_59.
DOI: 10.1007/978-3-642-02498-6_59
Ломаков С.Ю. Объёмы маммографических исследований в современных условиях проведения профилактических мероприятий // Профилактическая медицина. 2020. Т. 23, № 4. С. 41–44. EDN: OUUINQ doi: 10.17116/profmed20202304141.
DOI: 10.17116/profmed20202304141
Roseman D.A., Hwang S.J., Manders E.S., et al. Renal artery calcium, cardiovascular risk factors, and indexes of renal function // Am J Cardiol. 2014. Vol. 113, N 1. P. 156–161. doi: 10.1016/j.amjcard.2013.09.036.
DOI: 10.1016/j.amjcard.2013.09.036