本研究提出了一种新颖的基于深度学习的血管分割系统，将图卷积网络与统一的 CNN 结构相结合，可以应用于扩展任何类型的基于 CNN 的血管分割方法，实验证明该方法在两个视网膜图像数据集以及冠状动脉 X 射线血管造影数据集上性能优于当前的最先进方法。

Jun, 2018

通过使用卷积神经网络对感兴趣的点进行定位和分类，并将血管表示为一些最小距离树状图的边，基于地形测量方法检测血管及其几何特征，我们的研究聚焦于在血管网络中检测重要的地标，并利用位置和方向的空间，准确地将 2D 血管表示为树状结构。我们构建了适用于超声定位显微镜（ULM）数据跟踪的模型，提出在这种类型数据上构建良好的成本函数用于跟踪。我们还对合成数据和眼底图像数据进行了测试。结果表明，缺乏良好注释的 ULM 数据是血管地标定位的障碍，但基于 ULM 数据建立的方向得分对于追踪血管具有良好的测地线效果。

Nov, 2023

DeepVesselNet 是一种适用于血管图像分割的网络结构，主要使用 2D 十字卷积滤波器和合成数据集进行训练，能在降低计算复杂度的同时实现较高准确率。

Mar, 2018

冠状微血管疾病的风险对人类健康构成了重大威胁。通过计算机辅助分析和诊断系统，医学专业人员可以在疾病进展的早期进行干预，而 3D 血管分割作为关键组成部分。我们利用傅立叶域学习作为 3D 分层分割模型中多尺度卷积核的替代方法，既可以降低计算负荷，又能保持网络内的全局感受野。此外，设计了一个零参数频域融合方法来改进 U-Net 架构中的跳过连接。在一个公共数据集和一个内部数据集上的实验结果表明，我们的新颖傅立叶变换基于网络在管状血管分割任务中取得了显著的骰子性能（ASACA500 上达到 84.37％，ImageCAS 上达到 80.32％），同时还大大减少了计算需求，而不损害全局感受野。

Jan, 2024

本文提出了一种基于卷积神经网络的结构化预测模型，有效地解决了（DRIVE 数据集上）自动分割视网膜血管的任务，得到 95.33% 的准确率和 0.974 的 AUC 值。

Nov, 2016

通过在神经网络分割结果中直接提取边界体素，在最小曲面的基础上建立最优连接模型，并改进了血管的分割，为三维多分类血管分割任务带来了最先进的性能表现，同时，相比其他方法，处理血管分散和结构完整性并有效地改善了血管结构的 Betti 误差和 LR、BR 误差指标，使血管具有更精确的拓扑结构。

Jun, 2023

个性化 3D 血管模型的深度学习自动化方法通过组合全局控制器和局部分割模型，实现了水密且高精度的血管分割，能够灵活构建血管模型并扩展血管部分。在腹主动脉瘤、髂动脉和肾动脉的分割中与最先进的模型相媲美。

Mar, 2024

提出了一个自动化的框架来从 CTA 图像中提取脑血管中心线，该框架包括预处理方法、基于图割和稳健核回归的管腔分割、采用拓扑感知损失和双分支设计的双分支拓扑感知 UNet (DTUNet)，以及骨架化预测的管腔分割的后处理方法，实验证明该框架在平均对称中心线距离 (ASCD) 和重叠度 (OV) 方面优于现有方法，并且子组分析进一步表明该框架在中风治疗的临床应用中有潜力。

Jan, 2024

介绍了一种叫做 I2I-3D 的 3D 卷积神经网络体系结构，用于在体积数据中预测边界位置，并且经过实验证明，该深度学习方法优于结构森林 3D 和 HED 等方法，适用于医疗数据的边界检测，同时能够捕捉到细微的结构。

May, 2016

我们提出了一种新的方法，通过深度监督仅使用一个注释的 2D 投影来单独分割 3D 胰周动脉，从而减少注释工作量，并且通过将 2D 标签映射到 3D 空间并将其纳入训练，几乎消除了 3D 监督与 2D 监督之间的性能差距。

Sep, 2023