Jun, 2023

DSA 序列颅内动脉分割的综合基准测试

PDF
TL;DR本研究旨在研究数字减影（DSA）成像中颅内动脉（IA）的分割及其在 IA 相关疾病的诊断与神经介入手术中的应用，并在此基础上提出了将维度约简与二维 / 三维模型相结合的方法，提出了一种基于涂鸦学习的图像分割框架，SSCR，并介绍了一种基于随机裁剪的自学习框架，旨在提高颅内动脉分割的性能。
intracranial artery segmentationdsa sequencesneuro-interventional surgeryweakly supervised learningdias dataset
发现论文，激发创造
  • 数字减影血管造影序列数据集和脑动脉分割的时空模型

    DSA 序列中的脑血管自动分割的研究，通过引入一个专为像素级语义分割设计的公开可访问数据集 DSCA 和一种名为 DSANet 的时空网络方法进行小血管分割，成功改进了诊断脑血管疾病的准确性。

    Jun, 2024

  • TSI-Net：数字减影血管造影中颅内动脉分割的时间序列图像分割网络

    我们提出了一种时间序列图像分割网络 TSI-Net，它采用了一个带有双向 ConvGRU 模块的 U 形结构，能够输入可变长度的 DSA 序列，保留过去和未来信息，并将其分割成 2D 图像。此网络在最近几年的动态支架血管内治疗中的表现显著优于其他方法，尤其是在敏感细节方面的性能提高了 3%。

    Sep, 2023

  • 数字减影血管造影中动静脉畸形的时空解缠

    通过使用两种学习模型：基于独立成分分析的无监督机器学习方法和基于卷积神经网络的自动细分图像空间中的血管，提出的方法在 DSA 影像序列中通过突出关键信息进行自动分类血管来增强 DSA 图像序列，通过高效区分动脉和静脉为临床使用的可行解决方案。

    Feb, 2024

  • 基于物理信息学的时间分辨血管造影荧光剂浓度重建

    通过训练基于神经网络的模型，并结合血液流动模拟数据集，我们的方法可以重建血管内对比剂在时间和空间上的浓度变化，具有很高的准确性和鲁棒性。

    Mar, 2024

  • 一种用于缺血性中风病变分割的鲁棒集成算法：超越 ISLES 挑战的广泛适用性和临床效用

    2022 年缺血性卒中病灶检测和分割的集成算法能对扩散加权磁共振成像 (DWI) 图像进行准确分析，与专家相媲美，并具有临床应用的潜力。

    Mar, 2024

  • 基于深度学习分类 DSA 图像序列实现卒中治疗的临床转化

    本文介绍了一种开源工具，采用机器学习技术实现数字减影血管造影（DSA）血栓检测的自动分类，并在三个临床病例中进行了测试，其模型能够正确分类 M1 分段中的所有大血管闭塞，并可以在 (接近) 实时的情况下被临床工作人员使用。

    May, 2023

  • 通过血管概率引导的衰减学习从稀疏视角动态 DSA 图像中重建 3D 血管

    利用血管概率场进行稀疏视图数字减影血管造影重建任务的研究表明，这种方法能够有效地解决动态血流和稀疏视图数字减影血管造影图像输入不足的问题，并显著提高重建质量及全景合成图像质量。

    May, 2024

  • 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

  • IntrA：用于深度学习的三维颅内动脉瘤数据集

    研究人员提供了一个开放的 3D 脑动脉瘤数据集（IntrA），可用于诊断和提取颈部进行手术，在医学和深度学习的其他领域中也可用于正常估计和表面重建。他们测试了最先进的网络，并讨论了每种方法的性能和数据集的挑战。

    Mar, 2020

  • 基于单个 2D 投影和深度监督的对比增强 CT 图像的 3D 动脉分割

    我们提出了一种新的方法，通过深度监督仅使用一个注释的 2D 投影来单独分割 3D 胰周动脉，从而减少注释工作量，并且通过将 2D 标签映射到 3D 空间并将其纳入训练，几乎消除了 3D 监督与 2D 监督之间的性能差距。

    Sep, 2023