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
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。
冠状动脉疾病的自动化检测和图像分析对诊断过程进行了有效的简化，证实了提出的模型在识别狭窄病变方面表现出色。
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。
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
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％。
冠状动脉语义标记的心脏血管图匹配模型通过将两个独立图之间的动脉分支进行匹配，实现了运用部分标记的动脉段对未标记的段进行分类和冠状动脉的语义标记，从而提高了冠状动脉语义标记的准确度，并在实时临床决策中具有高效的预测能力。
Aug, 2023
通过将冠状动脉的语义分割任务转化为图形节点相似性比较任务并使用边缘注意图匹配网络方法，成功实现了动脉语义标记，该方法有可能成为提高冠状动脉疾病诊断和治疗的一个有效解决方案。
基于部分血管标注提出一种弱监督学习框架，通过学习血管的局部特征、全局结构和特征原型，实现精确的冠状动脉分割，在冠状动脉 CTA 图像上超过了其他方法的表现，并且在血管的主干连续性上达到了与全注释模型相当的性能。
Jul, 2023
我们介绍了一种名为 MPSeg 的创新多阶段策略，专门用于冠状动脉分割，其采用了分离左冠状动脉和右冠状动脉以及集成模型等方法，针对冠状动脉的结构复杂性和 SYNTAX Score 的原则进行了设计和优化，并在 MICCAI 2023 年的 ARCADE 挑战中表现出了卓越的效果。
Nov, 2023