ECCVJul, 2022

基于关键点的 X 射线透视术中支架跟踪

PDF
TL;DR本论文提出了一种针对单支支架的端到端深度学习框架，用于股动脉成形术中 X 射线荧光镜下的设备跟踪，该方法包含三个模块，即基于 U-Net 的地标检测、基于 ResNet 的支架提取和特征提取，以及基于图卷积神经网络的支架跟踪，实验结果表明与最先进的基于点追踪模型相比，我们的方法在检测方面表现明显更好。此外，其快速推断速度满足临床需求。
angioplastyx-ray fluoroscopydevice trackingdeep learningstent tracking
发现论文，激发创造
  • 自监督学习用于介入图像分析：追踪可靠的设备

    通过学习超过 1600 万干预 X 光帧的数据，我们提出了一种新的方法来实现设备的准确检测和跟踪，从而提高干预心血管手术的安全性和效果，同时在干预图像分析中的其他任务中更好地理解时空语义。

    May, 2024

  • ConTrack：X-ray 设备追踪的上下文变换器

    提出了一种基于转换器的网络 ConTrack，利用空间和时间上下文信息在 X 光荧光和描记术图像中进行准确的设备检测和跟踪。

    Jul, 2023

  • 实时在术中 X 射线中的导丝追踪和分割

    提出了一种用于实时导丝分割和跟踪的两阶段深度学习框架，包括一个用于精确定位导丝的 Yolov5s 检测器和一个用于分割导丝的新颖高效网络，通过定量和定性评估证明该方法在临床术中图像上表现出更高的鲁棒性和比当前技术更好的性能。

    Apr, 2024

  • 基于深度学习的自动冠状动脉物体检测

    在数字医学时代，医学影像作为一种广泛应用的早期疾病检测技术，在每天产生和储存的电子病历中产生大量的影像。在这篇论文中，我们利用目标检测方法对 X 射线血管造影图像进行分析，精确地确定冠状动脉狭窄的位置，从而实现了对狭窄位置的自动实时检测，帮助医护人员进行重要而敏感的决策过程。

    Dec, 2023

  • StenUNet：X 光冠状动脉造影的自动狭窄检测

    提出了一种用于从 X 射线冠状动脉造影图中准确检测狭窄的架构和算法 StenUNet，通过结合机器学习和其他计算机视觉技术，在 ARCADE 挑战中获得第三名，测试数据集上达到了 0.5348 的 F1 得分，比第二名低了 0.0005。

    Oct, 2023

  • X 射线荧光透视下导管的全自动实时分割

    本文提出了一种基于深度卷积神经网络的实时方法，用于在 2D X 射线透视序列中分割导管和导丝，使其在 X 射线成像指导下的介入手术中能够自动检测和追踪，该方法在 25 个介入操作的 237 个 X 射线序列图像上进行训练和测试，得到了极高的分割精度。

    Jul, 2017

  • 使用集成学习的多血管冠状动脉分割和狭窄定位

    通过机器学习解决方案，该研究提出了一种用于冠状动脉造影图像的自动诊断的端到端解决方案，旨在在冠状动脉血管的多血管分割和狭窄病变定位方面进行基准测试。

    Oct, 2023

  • 基于平衡聚焦 U-Net 的多类别和类别不平衡标记分割，用于部署的支架内自动化 3D 形态实例化

    本文提出了一种基于 Equally-weighted Focal U-Net 的自动化 3D 形状实例化方法，证明该方法在标记分割和 3D 形状实例化方面具有较高的精度，对于机器人路径规划也具有重要意义。

    Nov, 2017

  • ConvNeXtv2 融合 Mask R-CNN 用于自动区域基于冠状动脉狭窄的检测和疾病诊断

    冠状动脉疾病的自动化检测和图像分析对诊断过程进行了有效的简化，证实了提出的模型在识别狭窄病变方面表现出色。

    Oct, 2023

  • SSASS：半监督式狭窄分割方法

    我们介绍了一种用于心血管狭窄分割的半监督方法，通过数据增广和利用伪标签的学习技术，实现了在冠状动脉造影图像中准确评估病患情况的自动诊断算法。

    Nov, 2023