Jul, 2023

ConTrack：X-ray 设备追踪的上下文变换器

PDF
TL;DR提出了一种基于转换器的网络 ConTrack，利用空间和时间上下文信息在 X 光荧光和描记术图像中进行准确的设备检测和跟踪。
device trackingendovascular procedurescatheter tipcontracktransformer-based network
发现论文，激发创造
  • 基于关键点的 X 射线透视术中支架跟踪

    本论文提出了一种针对单支支架的端到端深度学习框架，用于股动脉成形术中 X 射线荧光镜下的设备跟踪，该方法包含三个模块，即基于 U-Net 的地标检测、基于 ResNet 的支架提取和特征提取，以及基于图卷积神经网络的支架跟踪，实验结果表明与最先进的基于点追踪模型相比，我们的方法在检测方面表现明显更好。此外，其快速推断速度满足临床需求。

    Jul, 2022

  • 自监督学习用于介入图像分析：追踪可靠的设备

    通过学习超过 1600 万干预 X 光帧的数据，我们提出了一种新的方法来实现设备的准确检测和跟踪，从而提高干预心血管手术的安全性和效果，同时在干预图像分析中的其他任务中更好地理解时空语义。

    May, 2024

  • X 射线荧光透视下导管的全自动实时分割

    本文提出了一种基于深度卷积神经网络的实时方法，用于在 2D X 射线透视序列中分割导管和导丝，使其在 X 射线成像指导下的介入手术中能够自动检测和追踪，该方法在 25 个介入操作的 237 个 X 射线序列图像上进行训练和测试，得到了极高的分割精度。

    Jul, 2017

  • 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

  • 实时在术中 X 射线中的导丝追踪和分割

    提出了一种用于实时导丝分割和跟踪的两阶段深度学习框架，包括一个用于精确定位导丝的 Yolov5s 检测器和一个用于分割导丝的新颖高效网络，通过定量和定性评估证明该方法在临床术中图像上表现出更高的鲁棒性和比当前技术更好的性能。

    Apr, 2024

  • 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

  • TransCC: 用于冠状动脉 CCTA 分割的 Transformer 网络

    提出了一种将 Transformer 和卷积神经网络有效融合的深度学习框架 TransCC，通过引入特征交互提取模块 (FIE) 和多层增强感知器 (MEP)，提高了 CCTA 图像分割的性能，平均 Dice 系数达到 0.730，平均交并比 (IoU) 达到 0.582。

    Oct, 2023

  • TCTrack: 航空跟踪的时间上下文

    本文提出了一种全面利用时间上下文进行航空追踪的框架，名为 TCTrack，该框架在特征提取和相似度图优化方面使用了时间上下文。实验表明，TCTrack 在四个航空追踪基准测试数据集上的效果令人印象深刻，并且在 NVIDIA Jetson AGX Xavier 上实现了高达 27 FPS 的高速。

    Mar, 2022

  • 基于 Point Transformer 的冠状动脉标记

    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

  • 胸部 X 光图像导管的自底向上实例分割

    基于关联嵌入的导管实例分割的深度学习方法能够解决胸部 X 射线图像中多个导管重叠、细长以及实例分离的问题。

    Dec, 2023