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

开发一种新框架，用于自动检测小血管病和认知疾病视图中的腔隙性病变，该框架通过输出分类负担评分来简化和有效加速识别过程，并减少对噪声标签的敏感度。

Jun, 2023

血管分割中的局部血管显著性指数可以用于衡量具有低显著性的血管段的分割算法性能，并提出了一种数据增强方法以改善卷积神经网络的分割性能。

Jun, 2024

采用 nnUNet 算法训练 PINGU 模型，对具有多样化质量和分辨率的 MRI 图像进行脑血管扩散区域的分割，取得较高的性能表现，尤其在基底神经节区域表现出优异的性能。

May, 2024

提出了一种基于深度学习的方法，采用 P3DC 操作符和 SPR 方法对 3D CT 扫描中的病变进行准确和全面检测和计量，结果表明该方法在公共和本地数据集上都取得了优秀的表现，适用于大规模和小规模数据集。

Aug, 2020

该研究提出了一种新颖的方法，通过自监督学习和弱监督训练，在稀疏注释的超声心动图视频中实现了一致的左心室分割，相比最先进的解决方案，在效率更高的同时，取得了 93.32% 的 Dice 得分，并通过包含未标记帧在训练过程中实现高数据效用。

Sep, 2023

基于部分血管标注提出一种弱监督学习框架，通过学习血管的局部特征、全局结构和特征原型，实现精确的冠状动脉分割，在冠状动脉 CTA 图像上超过了其他方法的表现，并且在血管的主干连续性上达到了与全注释模型相当的性能。

Jul, 2023

通过深度学习中的三维卷积神经网络，从具有高泡沫浓度的超声数据中恢复密集的血管网络。

Oct, 2023

准确分割脑血管对于脑血管疾病的诊断和治疗至关重要。本文提出了一种自适应半监督方法，通过创新的技术，包括渐进式半监督学习、自适应训练策略和边界增强，解决了存在的小血管捕捉和部分或模糊标注数据处理的挑战。实验结果表明，我们的方法在基于网格的分割度量方面具有优越性。通过利用部分和模糊标记的数据对主要血管进行标注，我们的方法在错标细小血管的分割性能方面取得了令人瞩目的成果，展示了其在临床应用中的潜力。

Aug, 2023

通过使用图像增强技术和深度学习算法，针对缺乏标记的医学数据，提出了一种诊断大血管闭塞性卒中的方法，将左右半球影像进行侧面比较来预测卒中的位置。

May, 2022