Oct, 2023

AngioMoCo: 脑数字减影血管造影中基于学习的运动校正

PDF
TL;DRAngioMoCo 是一种基于学习的框架，通过整合对比度提取和运动校正技术，从 X 射线血管造影生成运动补偿的 DSA 序列，消除运动伪影同时保留对比度流动。
cerebral x-ray digital subtraction angiographymotion correctionangiomococontrast flowmotion-compensated dsa
发现论文，激发创造
  • 基于物理信息学的时间分辨血管造影荧光剂浓度重建

    通过训练基于神经网络的模型，并结合血液流动模拟数据集，我们的方法可以重建血管内对比剂在时间和空间上的浓度变化，具有很高的准确性和鲁棒性。

    Mar, 2024

  • 数字减影血管造影中动静脉畸形的时空解缠

    通过使用两种学习模型：基于独立成分分析的无监督机器学习方法和基于卷积神经网络的自动细分图像空间中的血管，提出的方法在 DSA 影像序列中通过突出关键信息进行自动分类血管来增强 DSA 图像序列，通过高效区分动脉和静脉为临床使用的可行解决方案。

    Feb, 2024

  • 数字减影血管造影序列数据集和脑动脉分割的时空模型

    DSA 序列中的脑血管自动分割的研究，通过引入一个专为像素级语义分割设计的公开可访问数据集 DSCA 和一种名为 DSANet 的时空网络方法进行小血管分割，成功改进了诊断脑血管疾病的准确性。

    Jun, 2024

  • 通过血管概率引导的衰减学习从稀疏视角动态 DSA 图像中重建 3D 血管

    利用血管概率场进行稀疏视图数字减影血管造影重建任务的研究表明，这种方法能够有效地解决动态血流和稀疏视图数字减影血管造影图像输入不足的问题，并显著提高重建质量及全景合成图像质量。

    May, 2024

  • UDCR：无监督主动学习和重叠度计算进行的主动导管行雷管 DSA/CTA 刚性配准

    本文提出了一种基于深度强化学习的无监督的主动血管 DSA/CTA 刚性配准方法 UDCR，通过重叠度计算奖励函数来衡量分割图与 DSA 图像之间的配准准确性，该方法具有高度灵活性，可用于临床应用。

    Mar, 2024

  • 基于深度学习分类 DSA 图像序列实现卒中治疗的临床转化

    本文介绍了一种开源工具，采用机器学习技术实现数字减影血管造影（DSA）血栓检测的自动分类，并在三个临床病例中进行了测试，其模型能够正确分类 M1 分段中的所有大血管闭塞，并可以在 (接近) 实时的情况下被临床工作人员使用。

    May, 2023

  • 基于深度学习的单次扫描光学相干断层扫描血管造影图像提取

    本研究提出一种利用一次重复 OCT 扫描生成 OCTA 图像的血管提取流程，基于卷积投影利用更好地学习图像块之间的空间关系的 Vasculature Extraction Transformer（VET）实现。与使用四次重复 OCT 扫描的 SV-OCTA 及 ED-OCTA 获得的 OCTA 图像相比，VET 提取的 OCTA 图像展现出中等的质量和更高的图像对比度，同时将所需数据采集时间从大约 8 秒缩短到了大约 2 秒。根据视觉观察，VET 在使用具有挑战性的颈部和面部 OCTA 数据的区域中优于 SV 和 ED 算法。该研究表明，VET 具有从快速一次重复的 OCT 扫描中提取血管图像的能力，从而有助于对患者进行准确的诊断。

    Apr, 2023

  • 基于梯度的快速准确锥束 CT 头部运动补偿方法

    通过引入基于梯度的优化算法的新方法，本文提出了一种用于 Cone-beam CT 运动估计的方法，该方法利用了 Cone-beam CT 的几何结构的广义导数，通过形成完全可微分的目标函数来为当前运动估计的重建空间质量评级，极大地加快了运动估计，提高了运动估计的准确性，并在临床工作流中集成了 CBCT, 解决了时效性场景中的关键挑战。

    Jan, 2024

  • 建立多视角冠状动脉造影中的密集对应：从点对点到曲线对曲线的查询匹配

    通过设计数据模拟流程，将密集对应问题转化为所有感兴趣点的查询匹配任务，并提高了拓扑意识，从而建立了多视角病灶密集对应的可行性。

    Dec, 2023

  • 用深度学习网络来纠正 3D OCT 视网膜图像中的轴向和冠状眼动

    提出基于深度学习的神经网络来校正 OCT 图像中的运动伪影，并在实验中表明该方法可以有效地校正运动伪影，恢复视网膜的整体曲率，并能够推广到各种疾病和分辨率。

    May, 2023