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

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

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

介绍了一种创新的滤波器融合方法，增强了血管分割模型的效果，通过对比分析，研究表明在训练模型时使用强化血管输入可以提高细分较小血管的效果。

Feb, 2024

本论文描述了一种简单的无监督领域适应方法，通过交换低频谱来减少源和目标分布之间的差异，该方法在语义分割中实现了最新的性能，并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。

Apr, 2020

通过在多个解剖结构 (从大器官到细小血管) 的计算机断层扫描手动标记的数据上训练多分类的三维卷积神经网络，该研究展示了基于三维全卷积神经网络的医学图像语义分割的实现和鲁棒性的突破，所提出的粗略到精细的两阶段方法达到了最先进水平。

Mar, 2018

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

本研究旨在为自由使用的 2 光子血管显微镜成像数据集提供一种深度学习框架，该框架基于 2D 和 3D 卷积滤波器 (ConvNet)。 这种 2D 和 3D 混合体构架的分割结果表明，这对于分割体积性血管成像是有很好的推广潜力的。

Jun, 2016

该研究提出了一种高效的多视图学习框架，通过与各种变换的多个增强视图进行比较，对比学习不变的血管特征表示，以克服数据短缺问题并提高泛化能力，同时将注意机制集成到卷积神经网络中，用于进一步捕捉复杂的连续曲线状血管结构。该方法在 CHASE-DB1 数据集上验证，使用 UNet 结构获得 83.46% 的最高 F1 得分和 71.62% 的最高 IoU 得分，分别超过现有基准 UNet 方法的 1.95% 和 2.8%。该方法的快速训练和高效实施特性支持实际应用和部署。

Nov, 2023

本研究提出了一种新的基于深度学习的颅脑疾病 MR 图像卒中病变分割算法 --FAN-Net，该方法通过自适应地调整傅里叶变换的低频幅度分量来改变风格信息，从而增强了模型对不同领域的鲁棒性。实验结果表明 FAN-Net 的性能优于基准方法。

Apr, 2023