Jul, 2023

基于解剖感知连接分类器的冠状动脉拓扑保持自动标注

PDF
TL;DR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。
automatic labelingcoronary arteriestopolabanatomical connectionsartery labeling
发现论文，激发创造
  • 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

  • 基于边缘关注图匹配网络的冠状动脉语义标记

    通过将冠状动脉的语义分割任务转化为图形节点相似性比较任务并使用边缘注意图匹配网络方法，成功实现了动脉语义标记，该方法有可能成为提高冠状动脉疾病诊断和治疗的一个有效解决方案。

    May, 2023

  • 基于几何级联神经网络的冠状动脉分割和血管向量化

    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

  • 冠状动脉语义标记的多图图匹配

    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

  • AGMN: 基于关联图的图匹配网络用于侵袭性冠状动脉造影的冠状动脉语义标注

    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

  • 基于不确定性量化的冠状动脉语义标签的超级关联图匹配

    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

  • YOLO-Angio：冠状动脉解剖分割算法

    我们提出了一种基于 X 射线血管造影图像的、能够自动化诊断冠状动脉疾病的自动区域冠状动脉疾病诊断的方法，该方法结合了经典计算机视觉的预处理和特征选择，通过增强血管对比度来提高血管分割的准确性，并利用 YOLOv8 生成血管图像并基于逻辑推理的方法重构冠状血管树以实现最终分割，我们在 ARCADE 挑战中获得了第三名，验证集和保留集的 F1 得分分别为 0.422 和 0.4289。

    Oct, 2023

  • 基于部分血管标注的冠状动脉分割：自我训练和原型学习

    基于部分血管标注提出一种弱监督学习框架，通过学习血管的局部特征、全局结构和特征原型，实现精确的冠状动脉分割，在冠状动脉 CTA 图像上超过了其他方法的表现，并且在血管的主干连续性上达到了与全注释模型相当的性能。

    Jul, 2023

  • 使用 TopCoW 挑战对 CoW 进行基准测试：针对 CTA 和 MRA 的拓扑感知式 Willis 环的解剖分割

    通过提供带有注释的 CoW 数据集和组织全球性的 CoW 切割任务，TopCoW 挑战赛成功地成为首个以形态学和拓扑学来评估 MRA 和 CTA 的 CoW 解剖分割任务的基准测试，为研究 CoW 的解剖学特征及其与神经血管性疾病的风险、严重程度和临床结果的关系提供了重要参考。

    Dec, 2023

  • 应用图卷积网络实现深度特征融合来进行颅内动脉标注

    研究了一种新颖的图卷积神经网络来实现脑动脉标注的自动化，通过图节点及其邻居抽取高级别特征表示，并从不同阶层高效地聚合中间特征以提高模型表示能力和标注性能，实验结果证明了其在公共数据集上比基线方法具有明显的优势。

    May, 2022