MMDec, 2023

使用 TopCoW 挑战对 CoW 进行基准测试：针对 CTA 和 MRA 的拓扑感知式 Willis 环的解剖分割

PDF
TL;DR通过提供带有注释的 CoW 数据集和组织全球性的 CoW 切割任务，TopCoW 挑战赛成功地成为首个以形态学和拓扑学来评估 MRA 和 CTA 的 CoW 解剖分割任务的基准测试，为研究 CoW 的解剖学特征及其与神经血管性疾病的风险、严重程度和临床结果的关系提供了重要参考。
发现论文，激发创造
  • 基于形状引导的条件潜在扩散模型用于脑血管合成

    利用条件潜在扩散模型与形状和解剖导向相结合，提出了一种新颖的生成方法，能够生成逼真的三维 Willis 环分割，包括不同的表型变异，性能优于其他生成模型，包括条件 3D GAN 和 3D VAE。

    Aug, 2023

  • 基于解剖感知连接分类器的冠状动脉拓扑保持自动标注

    对冠状动脉的自动标记是心血管疾病实际诊断过程中的关键任务。本研究提出了一种名为 TopoLab 的新框架，明确地将解剖连接性纳入网络设计中，并引入了区段内特征聚合和区段间特征交互的策略，实现了分级分段特征提取；此外，我们还提出了一种解剖感知连接分类器，能够对每个连接的区段对进行分类，从而有效地利用不同类别动脉之间的先验拓扑关系。通过对公开的 orCaScore 数据集和内部数据集进行实验证明了我们方法的有效性，并取得了最新的研究成果。

    Jul, 2023

  • 基于深度学习的自动检测和分类 Circle of Willis 血管分叉

    本研究旨在辅助神经放射科医生迅速定位任何具有 ICA 发生高风险的分叉点，提出了一种全自动检测和识别希尔脑血管环所形成的分叉点的方法，并对分叉点识别率进行了全面评估。

    Aug, 2023

  • 计算机断层扫描图像中主动脉和大血管分割的拓扑感知损失

    本文介绍了一种新的拓扑感知损失函数，通过计算地面实况和预测之间的持续性图的 Wasserstein 距离来惩罚两者之间的拓扑不相似性，实验证明该拓扑感知损失函数在计算机断层扫描图像的分割任务中得到了比其他方法更好的结果。

    Jul, 2023

  • 学习得到的局部注意力图用于合成血管分割

    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

  • 使用深度完全卷积网络在 CT 扫描中分割主动脉血管树

    采用两阶段的全卷积网络，在 CTA 扫描中准确自动地分割主动脉血管树，达到加速医学图像分析流程的目的，并在 2023 年 MICCAI 主动脉（SEG.A.）挑战赛中，使用公共数据集评估了该方法，取得了较高的 Dice 相似系数（0.920）、Jaccard 相似系数（0.861）、召回率（0.922）和精确度（0.926）的结果。

    May, 2023

  • 基于解剖多类别分割和拓扑导向迭代学习的 CT 扫描精确气道分割

    本文提出了一种基于解剖学感知的多类气道分割方法，通过拓扑引导的自学习方法和断裂注意力图生成伪标签，能够完整地分割气道树，适用于慢性阻塞性肺疾病、哮喘和肺癌等呼吸系统疾病的分析。

    Jun, 2023

  • 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

  • TransONet: 使用深度学习自动分割计算机断层扫描血管造影中的血管

    通过提出基于深度学习模型的方法，可以高效且准确地分割 CTA 图像中与周围动脉疾病（PAD）手术相关的下行主动脉至髂分叉和下行主动脉至膝盖部分，为医学专业人员分析血管系统健康提供了有价值的工具。

    Nov, 2023

  • 基于深度神经网络的改进动脉瘤分割和检测的血管合成模型

    我们提出了一种完整的合成模型，能够模拟脑血管树的各个组成部分，以及使用三维卷积神经网络（CNN）对各种血管疾病进行分割或检测 / 识别提供了实质性的大脑动脉数据集。在这项研究中，我们特别关注颅内动脉瘤（ICA）的检测和分割，并通过合成血管模型进行了细致的描述、ICA 分割和检测的神经网络构建，并最终对合成模型数据增强所获得的性能差距进行了深入评估。

    Mar, 2024