Aug, 2023

基于深度学习的自动检测和分类 Circle of Willis 血管分叉

PDF
TL;DR本研究旨在辅助神经放射科医生迅速定位任何具有 ICA 发生高风险的分叉点，提出了一种全自动检测和识别希尔脑血管环所形成的分叉点的方法，并对分叉点识别率进行了全面评估。
intracranial aneurysmscircle of willisbifurcation of interestdeep learningneuroradiologists
发现论文，激发创造
  • 基于深度神经网络的改进动脉瘤分割和检测的血管合成模型

    我们提出了一种完整的合成模型，能够模拟脑血管树的各个组成部分，以及使用三维卷积神经网络（CNN）对各种血管疾病进行分割或检测 / 识别提供了实质性的大脑动脉数据集。在这项研究中，我们特别关注颅内动脉瘤（ICA）的检测和分割，并通过合成血管模型进行了细致的描述、ICA 分割和检测的神经网络构建，并最终对合成模型数据增强所获得的性能差距进行了深入评估。

    Mar, 2024

  • 基于形状引导的条件潜在扩散模型用于脑血管合成

    利用条件潜在扩散模型与形状和解剖导向相结合，提出了一种新颖的生成方法，能够生成逼真的三维 Willis 环分割，包括不同的表型变异，性能优于其他生成模型，包括条件 3D GAN 和 3D VAE。

    Aug, 2023

  • 颅内动脉瘤检测和定位的神经网络检测

    使用 nnDetection 框架和 TOF-MRA 进行医学图像分析，能够有效检测和定位颅内动脉瘤，具有潜在的临床应用。

    May, 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

  • 深度学习方法在脑 CT 上识别急性缺血性卒中病变的研究

    研究使用深度学习（DL）技术，设计基于计算机断层扫描（CT）的 DL 算法，从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风（AIS）病变，并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响，最佳 DL 方法对病变存在和侧边分类达到了 72％的准确率，对大尺寸病变（80％准确率）和多发病变（87％二个病变、100％三个或以上病变的准确率）检测效果更好。

    Sep, 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

  • TransONet: 使用深度学习自动分割计算机断层扫描血管造影中的血管

    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

  • 头颅 CT 扫描关键结果检测深度学习算法的开发与验证

    本研究开发和验证了一组深度学习算法，用于自动检测无对比剂头颅 CT 扫描的关键发现：颅内出血（ICH）及其类型，脑内实质（IPH），脑室内（IVH），硬膜下（SDH），硬脑膜外 (EDH) 和蛛网膜下 (SAH)，骨盖骨折，中线移位和占位效应，AUCs 测评结果显示算法的识别准确率达到了很高的水平。

    Mar, 2018

  • 多尺度定位感知的深度三维卷积神经网络，用于自动检测推测为血管性来源的腔隙

    使用卷积神经网络的自动化方法可以高效地检测出脑血管源性腔隙，具有减少误检率的优势，并且可以促进神经退行性疾病的研究。

    Oct, 2016

  • DeepVesselNet: 三维血管造影体积中的血管分割、中心线预测和分叉点检测

    DeepVesselNet 是一种适用于血管图像分割的网络结构，主要使用 2D 十字卷积滤波器和合成数据集进行训练，能在降低计算复杂度的同时实现较高准确率。

    Mar, 2018