开发了一种新的算法 AGMN，通过 ICA 中提取的血管树和构建关联图，实现冠状动脉分段的语义标注，并成功地在 263 个 ICA 上进行了训练和验证。该算法在精度、可解释性和鲁棒性方面表现出良好的性能，显著优于现有的冠状动脉语义标注方法。

Jan, 2023

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

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

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

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

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

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

动脉粥样硬化是一种慢性进行性疾病，主要影响动脉壁，是心血管疾病的主要原因之一。磁共振黑血管壁成像是一种重要的诊断血管疾病的手段，能够清晰可视化血管结构。然而，颈部复杂的解剖结构在区分颈动脉和周围结构方面存在挑战，特别是在动脉粥样硬化等变化时。为了解决这些问题，我们提出了 GAPNet，它由从中得出的新颖几何先验性所组成。

Jun, 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

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