使用卷积神经网络的自动化方法可以高效地检测出脑血管源性腔隙，具有减少误检率的优势，并且可以促进神经退行性疾病的研究。

Oct, 2016

使用合成数据来监督分割算法，提出了一种在小鼠脑部 3D OCTA 图像中实现无标记血管分割的方法。

Mar, 2024

研究使用深度学习（DL）技术，设计基于计算机断层扫描（CT）的 DL 算法，从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风（AIS）病变，并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响，最佳 DL 方法对病变存在和侧边分类达到了 72％的准确率，对大尺寸病变（80％准确率）和多发病变（87％二个病变、100％三个或以上病变的准确率）检测效果更好。

Sep, 2023

本文提出了一种基于深度学习技术的脑卒中损伤分割方法，旨在实现损伤扩展和影响的客观测量，以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割，并同时提供损伤体积和对大脑结构的加权损伤量量化。

Jun, 2023

我们提出了一种完整的合成模型，能够模拟脑血管树的各个组成部分，以及使用三维卷积神经网络（CNN）对各种血管疾病进行分割或检测 / 识别提供了实质性的大脑动脉数据集。在这项研究中，我们特别关注颅内动脉瘤（ICA）的检测和分割，并通过合成血管模型进行了细致的描述、ICA 分割和检测的神经网络构建，并最终对合成模型数据增强所获得的性能差距进行了深入评估。

Mar, 2024

用 T2 磁共振成像合成大脑 Willis 环的主要脑动脉分割的编码器 - 解码器模型，其根据 T2 磁共振成像提取相关信息，与现有模型相比，产生具有更高分辨率的 Willis 环血管分割。

Aug, 2023

血管拍片是广泛用于检测、诊断和治疗脑血管疾病的方法。由于现有的深度学习方法往往依赖于专有数据集和大量的手动标注，我们提出了一种名为 VesselShot 的少样本学习方法，通过利用少量有注释的辅助图像的知识，缓解了脑血管分割中标注数据稀缺和大量标注的问题。我们使用公开可用的 TubeTK 数据集对 VesselShot 的性能进行评估，取得了平均 Dice 系数为 0.62 (0.03) 的分割结果。

Aug, 2023

该研究提出了一种高效的多视图学习框架，通过与各种变换的多个增强视图进行比较，对比学习不变的血管特征表示，以克服数据短缺问题并提高泛化能力，同时将注意机制集成到卷积神经网络中，用于进一步捕捉复杂的连续曲线状血管结构。该方法在 CHASE-DB1 数据集上验证，使用 UNet 结构获得 83.46% 的最高 F1 得分和 71.62% 的最高 IoU 得分，分别超过现有基准 UNet 方法的 1.95% 和 2.8%。该方法的快速训练和高效实施特性支持实际应用和部署。

Nov, 2023

基于半监督域自适应的脑血管分割方法，通过图像到图像的转换和语义分割，利用一个分离和语义丰富的潜在空间来表示异构数据并在不同模态之间进行图像级别的自适应，实现了高效且稳定的模型训练，并在不同模态下取得了同源领域最佳性能与目标领域 8.9% 的 Dice 值差距，具有可靠的脑血管图像分割潜力。

Sep, 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