Jun, 2023

基于充气式 3D 卷积 - Transformer 的超声视频弱监督颈动脉狭窄分级

PDF
TL;DR本研究提出了一种基于视频分类的自动颈动脉狭窄分级框架，采用弱监督学习和引入 AMDF 转换器编码器进行多维度特征融合，从大规模的颈动脉超声图像视频数据集中有效地区分颈动脉狭窄，优于强基线模型。
carotid stenosisvideo classificationweakly-supervised learningattention-guided multi-dimension fusion (amdf) transformer encoderus video dataset
发现论文，激发创造
  • CathFlow: 使用光流和 Transformer 对介入超声中导管进行自监督分割

    我们介绍了一种自我监督深度学习架构，用于在纵向超声图像中分割导管，并消除对标记数据的需求。该模型在合成超声数据和硅主动脉模型图像上进行验证，展示了其未来在临床数据中应用的潜力。

    Mar, 2024

  • 使用卷积神经网络自动解释颈动脉 intima-media 厚度视频

    本文介绍了一种基于卷积神经网络的自动化心血管疾病风险评估方法，采用超声视频分析方法以实现颈动脉内膜 - 媒体厚度的精确测量，并且与传统方法相比优势明显。

    Jun, 2017

  • 机器人辅助心血管导管插管中多侧分支解码弱监督学习的导丝分割

    通过多侧面伪标记的弱监督学习方法，提供便宜且实时的方法，用于机器辅助下心脏导管介入手术中的工具分割和追踪。

    Apr, 2024

  • AiAReSeg: 利用 Transformer 进行介入超声波的导管检测与分割

    提出了一种使用改进的机器学习变压器架构来检测和分割超声辅助介入导管的方法，借助物理建模和超声模拟器产生合成超声图像，并经实验证明了其在超声噪声和扫描角度范围上的鲁棒性，为更安全高效的血管内手术迈出了重要的一步。

    Sep, 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

  • 超声图像中颈动脉斑块分割和分类的多任务学习框架

    本研究提出了一种基于多任务学习框架的超声颈动脉内膜斑块分割和分类方法，通过使用区域权重和样本权重的方式，充分利用两个任务之间的相关性，并在实验中证明了该方法的有效性。

    Jul, 2023

  • 使用 3D 聚焦调制 UNet 进行颅内动脉瘤的弱监督分割

    使用 FocalSegNet 和条件随机场（CRF）后处理的弱监督学习技术，可以从时间飞行磁共振血管成像（MRA）的粗略标签中获取精细的未破裂颅内动脉瘤（UIAs）分割，具有 0.68 的 Dice 分数和 0.95 毫米的 95% Hausdorff 距离。与现有技术相比，FocalSegNet 表现出更好的性能，并且焦点调制技术对该任务有益。

    Aug, 2023

  • 特征解耦的弱监督高保真超声视频合成

    本文提出了一种基于动态内容图像的高保真超声图像视频综合方法，采用自我和全面监督学习，同时采用对偶编码器和 GAN 损失策略，实现了对复杂超声瞬态运动的处理，并在大量临床数据中进行了有效验证。

    Jul, 2022

  • CV-Attention UNet：基于注意力机制的 3D 脑血管增强 TOF-MRA 图像分割

    通过使用时飞磁共振血管成像等技术，本文提出了 3D 脑血管关注 UNet 方法，并通过交叉验证和标注数据验证了其在精确识别脑血管结构方面的优越性。

    Nov, 2023

  • WAL-Net：弱监督辅助任务学习网络用于颈动脉斑块分类

    该研究提出了一种弱监督辅助任务学习网络模型 (WAL-Net)，以探索颈动脉斑块分类与分割任务之间的相互依赖关系。在该模型中，斑块分类任务是主要任务，而斑块分割任务作为辅助任务，为主要任务提供有价值的信息以提升性能。使用弱监督学习方法，完全摆脱对分割注释的依赖。实验和评估结果表明，与基准网络相比，所提出的方法在颈动脉斑块分类准确性上获得了约 1.3% 的改进。具体而言，混合回声斑块分类准确性提高了约 3.3%，证明了我们方法的有效性。

    Jan, 2024