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。

Oct, 2023

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。

Oct, 2023

通过 coronary computed tomography angiography (CCTA) 图像，提出了一种注重注意力的特征聚合的三维深度网络 (AGFA-Net)，用于冠状动脉分割，该网络利用注意机制和特征细化模块来捕捉显著特征并提高分割准确性。在包含 1,000 个 CCTA 扫描的数据集上，AGFA-Net 的评估表现出卓越的性能，在 5 折交叉验证中平均 Dice 系数相似度达到 86.74%，Hausdorff 距离为 0.23 毫米。消融研究进一步验证了所提出模块的有效性，凸显了它们对于改进分割准确性的贡献。总体而言，AGFA-Net 提供了一个稳健且可靠的冠状动脉分割解决方案，解决了不同血管尺寸、复杂解剖和低图像对比度带来的挑战。

Jun, 2024

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。

Oct, 2023

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

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％。

Oct, 2023

自动解释心脏的超声心动图可以改善对主动脉狭窄（AS）这种致命心脏疾病的检测和治疗。为了克服现有方法的局限性，本文介绍了一种新的深度学习框架，即半监督多模式多实例学习（SMMIL），用于自动解释 AS 等结构性心脏疾病。该方法在数据集上的实验证明，在 AS 严重程度分类以及几项临床相关 AS 检测任务方面，SMMIL 表现出优于最近的替代方法。

Mar, 2024

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