本研究提出了一种基于可旋转和可缩放等变性的可旋转和可缩放等变滤波器 (RSESF)，用于数字组织病理学图像分析，实验证明该方法优于其他方法，并且训练参数更少，需要的 GPU 资源更少。

Apr, 2023

本文提出了一种基于生物启发的多方向分析的视网膜血管提取方法，应用可逆向分数进行多方向分析，通过 SE (2) 中的曲线优化几何学原理来跟踪血管并提取视网膜血管模型，该方法可自动执行，提供视网膜血管的详细模型，是进一步定量分析视网膜的有力基础。

Dec, 2012

个性化 3D 血管模型的深度学习自动化方法通过组合全局控制器和局部分割模型，实现了水密且高精度的血管分割，能够灵活构建血管模型并扩展血管部分。在腹主动脉瘤、髂动脉和肾动脉的分割中与最先进的模型相媲美。

Mar, 2024

通过构建傅立叶参数化的 FR-Conv（旋转和缩放等变）卷积操作符，来在卷积神经网络中嵌入更多的等变性，用于视网膜血管分割，实现对精确度的要求，并在公共数据集上进行全面实验验证，结果表明 FRS-Nets 在参数量约为基线模型的 13.9% 的情况下，取得了最先进的性能，并且明显优于所有对比方法，展示了 FRS-Nets 的显著准确性、泛化性和临床应用潜力。

Sep, 2023

提出了一种基于深度学习的自动血管提取方法，旨在解决 3D 卷积神经网络在处理 3D 医学图像时 “断排” 问题，该方法采用局部外观的卷积神经网络和全局几何的点云网络相结合，通过最短路径算法将提取的局部部分相连，实现了从 3D 医学图像中高效、自动地提取血管轮廓线的效果。

Dec, 2020

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

本文提出了一种基于 Spherical CNNs 的自我监督训练的方法，能够学习并识别 3D 形状的标准方向，该方法被称为 Compass，并在多个公共数据集上实验，证明了其有效性。

Nov, 2020

通过使用卷积神经网络对感兴趣的点进行定位和分类，并将血管表示为一些最小距离树状图的边，基于地形测量方法检测血管及其几何特征，我们的研究聚焦于在血管网络中检测重要的地标，并利用位置和方向的空间，准确地将 2D 血管表示为树状结构。我们构建了适用于超声定位显微镜（ULM）数据跟踪的模型，提出在这种类型数据上构建良好的成本函数用于跟踪。我们还对合成数据和眼底图像数据进行了测试。结果表明，缺乏良好注释的 ULM 数据是血管地标定位的障碍，但基于 ULM 数据建立的方向得分对于追踪血管具有良好的测地线效果。

Nov, 2023

基于半监督域自适应的脑血管分割方法，通过图像到图像的转换和语义分割，利用一个分离和语义丰富的潜在空间来表示异构数据并在不同模态之间进行图像级别的自适应，实现了高效且稳定的模型训练，并在不同模态下取得了同源领域最佳性能与目标领域 8.9% 的 Dice 值差距，具有可靠的脑血管图像分割潜力。

Sep, 2023

用 T2 磁共振成像合成大脑 Willis 环的主要脑动脉分割的编码器 - 解码器模型，其根据 T2 磁共振成像提取相关信息，与现有模型相比，产生具有更高分辨率的 Willis 环血管分割。

Aug, 2023