应用图卷积网络实现深度特征融合来进行颅内动脉标注
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
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
该研究提出了一种基于多图图匹配算法(MGM)的冠状动脉语义标签方法,通过融合解剖图结构、影像学特征和语义映射,实现了冠状动脉语义标签的准确率为 0.9471,为冠状动脉分析提供了一种新的工具。
Feb, 2024
对冠状动脉的自动标记是心血管疾病实际诊断过程中的关键任务。本研究提出了一种名为 TopoLab 的新框架,明确地将解剖连接性纳入网络设计中,并引入了区段内特征聚合和区段间特征交互的策略,实现了分级分段特征提取;此外,我们还提出了一种解剖感知连接分类器,能够对每个连接的区段对进行分类,从而有效地利用不同类别动脉之间的先验拓扑关系。通过对公开的 orCaScore 数据集和内部数据集进行实验证明了我们方法的有效性,并取得了最新的研究成果。
Jul, 2023
提出了一种基于深度学习的自动血管提取方法,旨在解决 3D 卷积神经网络在处理 3D 医学图像时 “断排” 问题,该方法采用局部外观的卷积神经网络和全局几何的点云网络相结合,通过最短路径算法将提取的局部部分相连,实现了从 3D 医学图像中高效、自动地提取血管轮廓线的效果。
Dec, 2020
研究人员提供了一个开放的 3D 脑动脉瘤数据集(IntrA),可用于诊断和提取颈部进行手术,在医学和深度学习的其他领域中也可用于正常估计和表面重建。他们测试了最先进的网络,并讨论了每种方法的性能和数据集的挑战。
Mar, 2020
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
该研究提出了一种基于深度学习的新方法,通过 U-net 神经网络和边缘感知机制实现视网膜血管图像的血管分割,实验结果表明该方法在三个数据库上的表现可与现有的最先进方法相媲美,具有 97.99%的 AUC,并且运行时间更有效率。
Jun, 2018
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
冠状动脉语义标记的心脏血管图匹配模型通过将两个独立图之间的动脉分支进行匹配,实现了运用部分标记的动脉段对未标记的段进行分类和冠状动脉的语义标记,从而提高了冠状动脉语义标记的准确度,并在实时临床决策中具有高效的预测能力。
Aug, 2023