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

该论文提供了一种基于 Point Transformer 的简单的血管标记方法，只需要冠状动脉分割，能够提高诊断效率和减少临床医生的人工劳动，在 53 位患者的实验中取得了良好的效果。

May, 2023

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

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

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

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

通过 coronary computed tomography angiography (CCTA) 图像，提出了一种注重注意力的特征聚合的三维深度网络 (AGFA-Net)，用于冠状动脉分割，该网络利用注意机制和特征细化模块来捕捉显著特征并提高分割准确性。在包含 1,000 个 CCTA 扫描的数据集上，AGFA-Net 的评估表现出卓越的性能，在 5 折交叉验证中平均 Dice 系数相似度达到 86.74%，Hausdorff 距离为 0.23 毫米。消融研究进一步验证了所提出模块的有效性，凸显了它们对于改进分割准确性的贡献。总体而言，AGFA-Net 提供了一个稳健且可靠的冠状动脉分割解决方案，解决了不同血管尺寸、复杂解剖和低图像对比度带来的挑战。

Jun, 2024

采用两阶段的全卷积网络，在 CTA 扫描中准确自动地分割主动脉血管树，达到加速医学图像分析流程的目的，并在 2023 年 MICCAI 主动脉（SEG.A.）挑战赛中，使用公共数据集评估了该方法，取得了较高的 Dice 相似系数（0.920）、Jaccard 相似系数（0.861）、召回率（0.922）和精确度（0.926）的结果。

May, 2023

我们提出了一种基于 X 射线血管造影图像的、能够自动化诊断冠状动脉疾病的自动区域冠状动脉疾病诊断的方法，该方法结合了经典计算机视觉的预处理和特征选择，通过增强血管对比度来提高血管分割的准确性，并利用 YOLOv8 生成血管图像并基于逻辑推理的方法重构冠状血管树以实现最终分割，我们在 ARCADE 挑战中获得了第三名，验证集和保留集的 F1 得分分别为 0.422 和 0.4289。

Oct, 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