基于 Point Transformer 的冠状动脉标记
提出了一种将 Transformer 和卷积神经网络有效融合的深度学习框架 TransCC,通过引入特征交互提取模块 (FIE) 和多层增强感知器 (MEP),提高了 CCTA 图像分割的性能,平均 Dice 系数达到 0.730,平均交并比 (IoU) 达到 0.582。
Oct, 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
提出一个基于几何的级联分割算法用于冠状动脉的连续和准确的三维重建,克服了医疗图像低分辨率和对比度差的局限性,比传统算法提升了分割精度,特别是避免了血管断裂的问题。
May, 2023
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
本研究提出了一种快速、准确的冠状动脉疾病筛查和评估方法,基于深度学习和多轴视觉变压器架构,自动对计算机断层扫描成像进行分类和评分,并不需要人工干预。
Apr, 2023
应用 T-MIL 算法和 PRID 模块解决 CCTA VIQA 难以定位的局部冠状动脉问题,提出了一种增强型变压器网络(RTN)方法,实现了自动 CCTA VIQA 并在实际数据集上表现出最先进的性能。
Jul, 2022
通过设计数据模拟流程,将密集对应问题转化为所有感兴趣点的查询匹配任务,并提高了拓扑意识,从而建立了多视角病灶密集对应的可行性。
Dec, 2023
通过提出基于深度学习模型的方法,可以高效且准确地分割 CTA 图像中与周围动脉疾病(PAD)手术相关的下行主动脉至髂分叉和下行主动脉至膝盖部分,为医学专业人员分析血管系统健康提供了有价值的工具。
Nov, 2023
本文提出了一种基于深度学习算法的多供应商心电图门控无对比剂心脏 CT 图像冠状动脉分割的方法,该方法通过图像配准实现了半自动生成 Ground Truth,研究结果表明训练模型具有比训练时使用的 Ground Truth 更高的准确性,并且 Dice 和 clDice 指标接近评定者之间的差异。
Mar, 2024
我们提出了一种新颖的体系结构 SAM-VMNet,它结合了 MedSAM 的强大特征提取能力和 VM-UNet 的线性复杂性视觉状态空间模型的优势,具有更快的推理速度和更强的数据处理能力,实现了 CTA 图像的更高分割准确性和稳定性。
Jun, 2024