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
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
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
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
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
我们提出了一种新颖的体系结构 SAM-VMNet，它结合了 MedSAM 的强大特征提取能力和 VM-UNet 的线性复杂性视觉状态空间模型的优势，具有更快的推理速度和更强的数据处理能力，实现了 CTA 图像的更高分割准确性和稳定性。
Jun, 2024
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
冠状动脉疾病（CAD）是导致死亡和残疾的主要原因之一，其诊断常具有困难和资源密集性。本研究提出了使用伪标签作为数据增强技术来改进基线 Yolo 模型性能的想法，在验证数据集中将基线的 F1 分数提高了 9％，在测试数据集中提高了 3％。
Oct, 2023
这篇论文报道了一个新的带注释的冠状动脉造影图像数据集 CADICA，给研究界提供了一个全面严谨的冠状动脉造影数据集，可用于临床医生的 CAD 严重性血管造影评估技能培训以及计算机科学家创建辅助诊断系统的基础分类方法验证，为改进 CAD 检测提供了一个起点。
Feb, 2024
该研究提出了一种利用一维卷积神经网络自动识别冠状动脉 CT 血管造影中的 Shepherd's Crook Right Coronary Artery 的方法，并研究如何处理识别模糊性和标签不确定性，进而提高模型性能。
May, 2023