Oct, 2023

YOLO-Angio：冠状动脉解剖分割算法

PDF
TL;DR我们提出了一种基于 X 射线血管造影图像的、能够自动化诊断冠状动脉疾病的自动区域冠状动脉疾病诊断的方法，该方法结合了经典计算机视觉的预处理和特征选择，通过增强血管对比度来提高血管分割的准确性，并利用 YOLOv8 生成血管图像并基于逻辑推理的方法重构冠状血管树以实现最终分割，我们在 ARCADE 挑战中获得了第三名，验证集和保留集的 F1 得分分别为 0.422 和 0.4289。
发现论文，激发创造
  • 使用集成学习的多血管冠状动脉分割和狭窄定位

    通过机器学习解决方案，该研究提出了一种用于冠状动脉造影图像的自动诊断的端到端解决方案，旨在在冠状动脉血管的多血管分割和狭窄病变定位方面进行基准测试。

    Oct, 2023

  • 自动基于区域的冠状动脉分割中的伪标签数据增强用于疾病诊断

    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

  • 基于深度学习的自动冠状动脉物体检测

    在数字医学时代，医学影像作为一种广泛应用的早期疾病检测技术，在每天产生和储存的电子病历中产生大量的影像。在这篇论文中，我们利用目标检测方法对 X 射线血管造影图像进行分析，精确地确定冠状动脉狭窄的位置，从而实现了对狭窄位置的自动实时检测，帮助医护人员进行重要而敏感的决策过程。

    Dec, 2023

  • StenUNet：X 光冠状动脉造影的自动狭窄检测

    提出了一种用于从 X 射线冠状动脉造影图中准确检测狭窄的架构和算法 StenUNet，通过结合机器学习和其他计算机视觉技术，在 ARCADE 挑战中获得第三名，测试数据集上达到了 0.5348 的 F1 得分，比第二名低了 0.0005。

    Oct, 2023

  • 冠状动脉语义标记的多图图匹配

    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

  • 基于几何级联神经网络的冠状动脉分割和血管向量化

    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

  • 基于深度学习的冠状动脉血运背侧循环检测

    提出了一种基于深度学习的方法用于检测冠状动脉侧支循环 (CCC) 在血管造影图像中的方法，并取得了有希望的结果，可以进一步扩展为基于标志点的 CCC 检测和 CCC 定量化。

    Jan, 2024

  • SSASS：半监督式狭窄分割方法

    我们介绍了一种用于心血管狭窄分割的半监督方法，通过数据增广和利用伪标签的学习技术，实现了在冠状动脉造影图像中准确评估病患情况的自动诊断算法。

    Nov, 2023

  • 基于深度学习的非同时 2D X 射线血管成像的三维冠状动脉树重建

    心血管疾病是全球最常见的死因之一。本研究首次利用深度学习从两个真实的非同时的 X 光造影投影中实现了三维冠状动脉树重建，展示了良好的血管拓扑保留、遗漏特征恢复和对真实 X 光造影数数据的泛化能力。

    Jul, 2024

  • 评估编码器 - 解码器架构对冠状动脉分割的鲁棒性

    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