Jan, 2024

一种基于 CTA 图像的脑血管中心线提取自动化框架

PDF
TL;DR提出了一个自动化的框架来从 CTA 图像中提取脑血管中心线，该框架包括预处理方法、基于图割和稳健核回归的管腔分割、采用拓扑感知损失和双分支设计的双分支拓扑感知 UNet (DTUNet)，以及骨架化预测的管腔分割的后处理方法，实验证明该框架在平均对称中心线距离 (ASCD) 和重叠度 (OV) 方面优于现有方法，并且子组分析进一步表明该框架在中风治疗的临床应用中有潜力。
brain vessel centerline extractioncta imageslumen segmentationautomated frameworkstroke treatment
发现论文，激发创造
  • 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

  • 脑部 3D OCTA 图像中基于模拟的血管分割

    使用合成数据来监督分割算法，提出了一种在小鼠脑部 3D OCTA 图像中实现无标记血管分割的方法。

    Mar, 2024

  • 自动三维血管中心线提取的混合表示学习

    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

  • 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

  • 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

  • 基于单个 2D 投影和深度监督的对比增强 CT 图像的 3D 动脉分割

    我们提出了一种新的方法，通过深度监督仅使用一个注释的 2D 投影来单独分割 3D 胰周动脉，从而减少注释工作量，并且通过将 2D 标签映射到 3D 空间并将其纳入训练，几乎消除了 3D 监督与 2D 监督之间的性能差距。

    Sep, 2023

  • LUNet：深度学习用于高分辨率眼底图像的细动脉和细静脉分割

    利用眼底数字成像技术，通过主动学习构建了一个新的数据集，其中包含由医学生及眼科医师审查的 240 个手动分割的视网膜小动脉和小静脉，开发了一种名为 LUNet 的新型深度学习架构，用于高分辨率的动静脉分割，并证明 LUNet 在多个测试集上显著优于其他分割算法。

    Sep, 2023

  • 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

  • SAM-VMNet：冠状动脉造影血管分割的深度神经网络

    我们提出了一种新颖的体系结构 SAM-VMNet，它结合了 MedSAM 的强大特征提取能力和 VM-UNet 的线性复杂性视觉状态空间模型的优势，具有更快的推理速度和更强的数据处理能力，实现了 CTA 图像的更高分割准确性和稳定性。

    Jun, 2024

  • 自动标记生成的城市驾驶遮挡感知 2D 和 3D 中心线检测

    本研究旨在探索和确定在高度动态的城市驾驶场景下确定 2D 和 3D 的道路拓扑信息的策略。为了促进这一探索，我们引入了一个庞大的数据集，包含近 100 万个自动标记的数据帧。我们的研究的一个重要贡献在于开发了一个自动生成标签的过程和一个遮挡处理策略，该策略旨在模拟从轻微的中断到严重的阻塞的各种遮挡场景。此外，我们进行了全面的消融研究，开发和评估了多种中心线检测方法。这种分析不仅评估了各种方法的性能，还提供了宝贵的对这些方法可解释性的见解。最后，我们演示了我们的方法的实用性，并评估了它们在不同传感器配置下的适应性，突出了它们在实际场景中的多功能性和相关性。我们的数据集和实验模型是公开可用的。

    Nov, 2023