利用图像学对主动脉进行筛查有助于早期发现和监测主动脉疾病。我们使用自动分割方法 Auto3DSeg，通过该方法在 3D CT 挑战赛中实现了平均 Dice 分数为 0.920 和 95th 百分位 Hausdorff 距离（HD95）为 6.013 的成绩，在 SEG.A.231 挑战中名列第一并获得了胜利。

Oct, 2023

在本文中，我们介绍了一种用于主动脉和其十三个分支的多类分割的深度学习模型 CIS-UNet，并证明其在 CT 扫描中优于现有的基于 Swin 转换器的模型，提供更高的精度和优化，为心血管内治疗的规划提供改进。

Jan, 2024

该研究提出了一种高效的多视图学习框架，通过与各种变换的多个增强视图进行比较，对比学习不变的血管特征表示，以克服数据短缺问题并提高泛化能力，同时将注意机制集成到卷积神经网络中，用于进一步捕捉复杂的连续曲线状血管结构。该方法在 CHASE-DB1 数据集上验证，使用 UNet 结构获得 83.46% 的最高 F1 得分和 71.62% 的最高 IoU 得分，分别超过现有基准 UNet 方法的 1.95% 和 2.8%。该方法的快速训练和高效实施特性支持实际应用和部署。

Nov, 2023

采用两阶段的全卷积网络，在 CTA 扫描中准确自动地分割主动脉血管树，达到加速医学图像分析流程的目的，并在 2023 年 MICCAI 主动脉（SEG.A.）挑战赛中，使用公共数据集评估了该方法，取得了较高的 Dice 相似系数（0.920）、Jaccard 相似系数（0.861）、召回率（0.922）和精确度（0.926）的结果。

May, 2023

本研究提出了一种深度学习框架，用于在胸部 CT 图像中分割器官的关键部分，包括心脏、食管、气管和主动脉，该方法采用扩张卷积和聚合残差连接，在网络的瓶颈处融入全局上下文和密集信息的 U-Net 风格网络，取得了 ISBI 2019 SegTHOR 挑战赛上 20 张未见过的测试样本中总的 Dice 得分为 91.57% 的优异表现。

May, 2019

本研究提出了 DenseVoxNet，一种新的密集连接的三维卷积神经网络用于自动分割心脏和大血管结构。它具有最大化信息流、特征重用和辅助侧通道等三个优势，并在医疗应用中显著优于已有方法，达到更好的性能而参数更少。

Aug, 2017

本文提出了首个用于分割腹主动脉瘤的 3D 卷积神经网络，并成功地验证了其在诊断和评估方面的性能，该方法可自动量化主动脉瘤直径，开拓更复杂的主动脉瘤分析机会。

Mar, 2019

使用 FocalSegNet 和条件随机场（CRF）后处理的弱监督学习技术，可以从时间飞行磁共振血管成像（MRA）的粗略标签中获取精细的未破裂颅内动脉瘤（UIAs）分割，具有 0.68 的 Dice 分数和 0.95 毫米的 95% Hausdorff 距离。与现有技术相比，FocalSegNet 表现出更好的性能，并且焦点调制技术对该任务有益。

Aug, 2023

经过对 25 种不同的编码器 - 解码器组合的分析，发现 EfficientNet-LinkNet 组合在冠状动脉分割中表现出色，其 Dice 系数为 0.882，95％分位数的 Hausdorff 距离为 4.753，这一发现不仅凸显了我们模型相较于 MICCAI 2020 挑战中的其他模型的优越性，也为冠状动脉分割的未来进展奠定了基础，为改进诊断和治疗策略开辟了新的可能性。

Oct, 2023

本文提出了使用级联卷积神经网络从心脏 MRI 图像中，自动分割心肌梗死相关区域的方法，并在 MICCAI 2020 EMIDEC 数据集上，取得优异的分割表现。

Dec, 2020