肺部疾病是世界范围内主要死亡原因之一，为了治愈这些疾病，需要对肺部系统内的许多复杂的 3D 树状结构（如气道、动脉和静脉）有更好的理解。本文介绍了一种基于点云的方法，可以在低计算成本下保留树骨架的图连通性并结合隐式表面表示，提供了最先进的准确性和可用的模型表面，并通过一个大型数据集对该方法进行了评估并将其公开。

Sep, 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

通过在神经网络分割结果中直接提取边界体素，在最小曲面的基础上建立最优连接模型，并改进了血管的分割，为三维多分类血管分割任务带来了最先进的性能表现，同时，相比其他方法，处理血管分散和结构完整性并有效地改善了血管结构的 Betti 误差和 LR、BR 误差指标，使血管具有更精确的拓扑结构。

Jun, 2023

本文介绍了一种新的拓扑感知损失函数，通过计算地面实况和预测之间的持续性图的 Wasserstein 距离来惩罚两者之间的拓扑不相似性，实验证明该拓扑感知损失函数在计算机断层扫描图像的分割任务中得到了比其他方法更好的结果。

Jul, 2023

通过数据驱动架构和优化技术，在数值血液动力学中，新的突破为快速代理模型提供了克服高保真度模型巨大计算成本的机会，支持实时概率治疗规划。

Dec, 2023

通过数据中心的深度学习技术和集成学习策略，我们的方法在空气道分割任务中表现出色，突显了空气道树异常、诊断和疾病特征化的重要性。

Jul, 2023

本文提出了一种基于解剖学感知的多类气道分割方法，通过拓扑引导的自学习方法和断裂注意力图生成伪标签，能够完整地分割气道树，适用于慢性阻塞性肺疾病、哮喘和肺癌等呼吸系统疾病的分析。

Jun, 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

该研究提出了一种基于图形的方法来处理医学影像中解剖拓扑的连续性和连通性问题，实验表明与传统方法相比，该方法在保持解剖形态连续性的同时，在连通性方面有显著的改进，而在分割度量方面表现更好或持平。

Apr, 2023

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