基于新的血管性滤波器组合的深度血管分割
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
本文提出了一种对比变分自编码器,可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管,并且通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到了提高,可以在不同的目标领域生成稳定的血管造影,提供了一种良好的可视化方法,是荧光素血管造影的一个无创、安全的替代方法。
Jul, 2023
该研究提出了一种基于深度学习的新方法,通过 U-net 神经网络和边缘感知机制实现视网膜血管图像的血管分割,实验结果表明该方法在三个数据库上的表现可与现有的最先进方法相媲美,具有 97.99%的 AUC,并且运行时间更有效率。
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
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
血管拍片是广泛用于检测、诊断和治疗脑血管疾病的方法。由于现有的深度学习方法往往依赖于专有数据集和大量的手动标注,我们提出了一种名为 VesselShot 的少样本学习方法,通过利用少量有注释的辅助图像的知识,缓解了脑血管分割中标注数据稀缺和大量标注的问题。我们使用公开可用的 TubeTK 数据集对 VesselShot 的性能进行评估,取得了平均 Dice 系数为 0.62 (0.03) 的分割结果。
Aug, 2023
冠状微血管疾病的风险对人类健康构成了重大威胁。通过计算机辅助分析和诊断系统,医学专业人员可以在疾病进展的早期进行干预,而 3D 血管分割作为关键组成部分。我们利用傅立叶域学习作为 3D 分层分割模型中多尺度卷积核的替代方法,既可以降低计算负荷,又能保持网络内的全局感受野。此外,设计了一个零参数频域融合方法来改进 U-Net 架构中的跳过连接。在一个公共数据集和一个内部数据集上的实验结果表明,我们的新颖傅立叶变换基于网络在管状血管分割任务中取得了显著的骰子性能(ASACA500 上达到 84.37%,ImageCAS 上达到 80.32%),同时还大大减少了计算需求,而不损害全局感受野。
Jan, 2024
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
自动血管分割在生物医学成像中至关重要,但由于血管结构的复杂性、患者间解剖变异、公开数据集的稀缺性和图像质量等原因,精确分割仍然具有困难。本研究通过深入文献研究,探讨机器学习技术在不同器官中的应用,旨在为新型成像模态下的血管分割提供坚实的基础并确定一个稳健的基准模型。研究使用由 Hierarchical Phase Contrast Tomography (HiP CT) 在人体器官图谱项目中成像获得的三个肾脏的双注释器验证的训练数据集,并采用 nnU Net 模型进行实验评估。结果显示,尽管分割性能表现较好(clDice 值在 0.82 到 0.88 之间),但存在一些错误,如由于缺乏静水压力(HiP CT 是一种离体技术)而导致的大血管分割效果较差,以及细小血管连接性减弱和血管边界处更高的分割误差。通过本研究和输出,我们旨在为后续基于不同成像模态的模型评估建立一个基准,特别是使用 HiP CT 成像数据库。
Nov, 2023