基于 3D 卷积神经网络的腹主动脉瘤分割
本研究提出了一种基于深度学习的技术，用于检测和量化腹主动脉瘤，该模型架构是一个改进的 3D U-Net 算法与椭圆拟合相结合，可用于主动脉分割和腹主动脉瘤检测，模型经过 321 个腹部 - 盆腔 CT 检查的训练和验证，在 57 个新的检查数据上也具备很高的性能。
Jul, 2019
本研究评估了应用于腹主动脉瘤患者计算机断层扫描图像的两种方法：一种基于近似理论工具的确定性方法和一种基于人工智能的方法。两种方法均旨在分割基底 CT 图像，以提取主动脉血管的患区，为诊断该病理提供尿毒症造影剂的替代方案。实验结果定量和定性地比较了这两种方法的性能，表明两种模型均能得出准确的结果。
Jun, 2024
这项研究探索了使用低剂量 CT 扫描和无对比剂加强 CT 扫描获得的图像进行自动化筛查、评估和分类的方法，开发了一种新型分割模型和 TAA 分类模型，可在不同条件下进行全自动的无对比剂和剂量独立的 TAA 评估，以减少患者的筛查时间和病理评估风险。
Oct, 2023
采用两阶段的全卷积网络，在 CTA 扫描中准确自动地分割主动脉血管树，达到加速医学图像分析流程的目的，并在 2023 年 MICCAI 主动脉（SEG.A.）挑战赛中，使用公共数据集评估了该方法，取得了较高的 Dice 相似系数（0.920）、Jaccard 相似系数（0.861）、召回率（0.922）和精确度（0.926）的结果。
May, 2023
使用 FocalSegNet 和条件随机场（CRF）后处理的弱监督学习技术，可以从时间飞行磁共振血管成像（MRA）的粗略标签中获取精细的未破裂颅内动脉瘤（UIAs）分割，具有 0.68 的 Dice 分数和 0.95 毫米的 95% Hausdorff 距离。与现有技术相比，FocalSegNet 表现出更好的性能，并且焦点调制技术对该任务有益。
Aug, 2023
自动分割三维医学图像中的主动脉是一项重要且困难的任务，本研究提出了一种基于深度编码 - 解码架构的全自动算法，通过数据预处理和增强来解决低数据量情况下的主动脉分割问题，并在测试中获得了较高的稳定性和 Dice 分数。
Oct, 2023
本研究通过引入基于高斯伪标签的 Morphological Attention（MA）技术，将其与传统的深度学习模型相结合，以在非对比度 CT 影像中分割腹主动脉的边界。通过此方法，保留了主动脉的形态特征，减轻了边界模糊性的负面影响，降低了过拟合的风险，并在实验中验证了其有效性。
Feb, 2024
通过提出基于深度学习模型的方法，可以高效且准确地分割 CTA 图像中与周围动脉疾病（PAD）手术相关的下行主动脉至髂分叉和下行主动脉至膝盖部分，为医学专业人员分析血管系统健康提供了有价值的工具。
Nov, 2023
利用图像学对主动脉进行筛查有助于早期发现和监测主动脉疾病。我们使用自动分割方法 Auto3DSeg，通过该方法在 3D CT 挑战赛中实现了平均 Dice 分数为 0.920 和 95th 百分位 Hausdorff 距离（HD95）为 6.013 的成绩，在 SEG.A.231 挑战中名列第一并获得了胜利。
Oct, 2023