Dec, 2023

VSR-Net: 基于图聚类的血管状结构修复网络

PDF
TL;DR基于结构修复视角，本文提出了一种新颖的血管样结构修复网络（VSR-Net），用于修复细分断裂并改善模型校准，实验证明，该方法在精细结构分割中表现优越，并通过定量分析解释了与地面真值的形态差异，验证了该方法通过还原细分断裂较好地修复了血管样结构。
vessel-like structuressubsection rupturesrehabilitationsegmentationvsr-net
发现论文，激发创造
  • FS-Net: 全尺度网络与自适应阈值用于提升微血管结构的提取

    提出了一种基于编码解码神经网络结构、sigmoid 平滑和自适应阈值方法的全尺度微血管提取机制，对视网膜血管分割问题进行了降低，取得了与之前研究相比具有竞争力的结果。这一性能的提升使得该解决方案更有可能应用于寻求眼科专家关注的真实诊断中心。

    Nov, 2023

  • 通过学习图形连通性进行深度血管分割

    本研究提出了一种新颖的基于深度学习的血管分割系统，将图卷积网络与统一的 CNN 结构相结合，可以应用于扩展任何类型的基于 CNN 的血管分割方法，实验证明该方法在两个视网膜图像数据集以及冠状动脉 X 射线血管造影数据集上性能优于当前的最先进方法。

    Jun, 2018

  • 血管分割的最优连接模型和 MEA-Net

    通过在神经网络分割结果中直接提取边界体素，在最小曲面的基础上建立最优连接模型，并改进了血管的分割，为三维多分类血管分割任务带来了最先进的性能表现，同时，相比其他方法，处理血管分散和结构完整性并有效地改善了血管结构的 Betti 误差和 LR、BR 误差指标，使血管具有更精确的拓扑结构。

    Jun, 2023

  • 基于全卷积神经网络的结构化预测方法用于视网膜血管分割

    本文提出了一种基于卷积神经网络的结构化预测模型，有效地解决了（DRIVE 数据集上）自动分割视网膜血管的任务，得到 95.33% 的准确率和 0.974 的 AUC 值。

    Nov, 2016

  • RRWNet: 递归细化网络用于有效的视网膜动脉 / 静脉分割和分类

    通过 RRWNet 模型，对视网膜血管进行分割和分类，有效地纠正错误分类，提高拓扑一致性。

    Feb, 2024

  • 一种新的设计的双路径交互融合模块模型，用于增强图像中的视网膜血管结构分割

    通过使用 Swin-Res-Net 模型，该论文提出了一种改进视网膜血管分割的方法，提高了对显微血管的定位和分离能力，并在广泛使用的数据集上取得了出色的结果。

    Mar, 2024

  • DeepVesselNet: 三维血管造影体积中的血管分割、中心线预测和分叉点检测

    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

  • 一种鲁棒的半自动眼底视网膜图像血管追踪方法

    本研究提出了一种基于实例分割神经网络的强大的半自动血管追踪算法，能够追踪视网膜图像中不同血管树，并保留血管层次结构信息，为后续与视网膜疾病相关的血管形态学分析铺平了道路。

    Feb, 2024

  • 多分辨率上下文网络和对抗学习在视网膜血管分割中的应用

    提出一种名为 MRC-Net 的多分辨率上下文网络，其中采用多尺度特征提取技术以学习语义不同特征之间的上下文依赖性，并使用双向递归学习模型前者 - 后者和后者 - 前者之间的依赖性，在对前景分割进行对抗训练的基础上进行训练，以提高分割网络的性能，同时保持可比较低的可训练参数数量。该方法在 DRIVE、STARE 和 CHASE 三个基准数据集上表现优异，与现有的竞争方法相比具有更好的性能。

    Apr, 2023

  • IterNet: 利用血管网络结构冗余的视网膜图像分割

    本文提出了一种名为 IterNet 的深度学习模型，基于 UNet，可用于视网膜血管分割，采用多个迭代的 mini-UNet，完全依赖于分割的血管图像本身来发现被遮盖的细节，无需预先训练。在 DRIVE、CHASE-DB1 和 STARE 三个主流数据集上，IterNet 均取得了当前文献中最佳的 AUC 分数 0.9816，0.9851 和 0.9881。

    Dec, 2019