Sep, 2023

AiAReSeg: 利用 Transformer 进行介入超声波的导管检测与分割

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于充气式 3D 卷积 - Transformer 的超声视频弱监督颈动脉狭窄分级

    本研究提出了一种基于视频分类的自动颈动脉狭窄分级框架，采用弱监督学习和引入 AMDF 转换器编码器进行多维度特征融合，从大规模的颈动脉超声图像视频数据集中有效地区分颈动脉狭窄，优于强基线模型。

    Jun, 2023

  • 使用视觉变换器进行更快速的三维心脏 CT 分割

    心脏准确分割对于个性化血流模拟和手术干预规划至关重要。我们改进了 ViT 以适应三维体积输入，并将其与 ResNet50 和级联上采样相结合的方式构建了 TRUNet。TRUNet 在比传统的 Residual U-Net 更短的时间内收敛，并且能产生与其相媲美或更好的左心室、左心房、左心房附属物、肺动脉和升主动脉的分割效果。 TRUNet 能更准确地分割血管边界，并更好地捕捉到心脏的整体解剖结构，对于医学影像中的三维语义分割任务具有很大潜力。

    Oct, 2023

  • ConTrack：X-ray 设备追踪的上下文变换器

    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。

    Jul, 2023