利用血管概率场进行稀疏视图数字减影血管造影重建任务的研究表明，这种方法能够有效地解决动态血流和稀疏视图数字减影血管造影图像输入不足的问题，并显著提高重建质量及全景合成图像质量。

May, 2024

通过使用两种学习模型：基于独立成分分析的无监督机器学习方法和基于卷积神经网络的自动细分图像空间中的血管，提出的方法在 DSA 影像序列中通过突出关键信息进行自动分类血管来增强 DSA 图像序列，通过高效区分动脉和静脉为临床使用的可行解决方案。

Feb, 2024

DSA 序列中的脑血管自动分割的研究，通过引入一个专为像素级语义分割设计的公开可访问数据集 DSCA 和一种名为 DSANet 的时空网络方法进行小血管分割，成功改进了诊断脑血管疾病的准确性。

Jun, 2024

AngioMoCo 是一种基于学习的框架，通过整合对比度提取和运动校正技术，从 X 射线血管造影生成运动补偿的 DSA 序列，消除运动伪影同时保留对比度流动。

Oct, 2023

通过对公开可获得的 CTA 数据进行分析和拟合，提出了一个描述血管中动态对比剂行为的模型，该模型可以有助于个性化的对比剂建模、CTA 图像处理的改进，并为人工智能的合成 CT 训练数据的准备提供支持。

Oct, 2023

提出了一种基于时间感知衰减体素 (TiAVox) 的稀疏视图下的四维数字减影血管成像 (4D DSA) 重建方法，通过减少辐射剂量，实现高质量的 4D 成像，同时能够生成二维和三维减影血管成像 (DSA) 图像。

Sep, 2023

本研究旨在研究数字减影（DSA）成像中颅内动脉（IA）的分割及其在 IA 相关疾病的诊断与神经介入手术中的应用，并在此基础上提出了将维度约简与二维 / 三维模型相结合的方法，提出了一种基于涂鸦学习的图像分割框架，SSCR，并介绍了一种基于随机裁剪的自学习框架，旨在提高颅内动脉分割的性能。

Jun, 2023

通过引入 TOGS 方法，使用高斯平铺技术并结合时间上的不透明度偏移，可以提高四维数字减影血管成像的渲染质量和速度，并针对稀疏采样情况降低过拟合问题，实现与先前方法相比的最新重建质量和实时渲染。

Mar, 2024

我们提出了一种时间序列图像分割网络 TSI-Net，它采用了一个带有双向 ConvGRU 模块的 U 形结构，能够输入可变长度的 DSA 序列，保留过去和未来信息，并将其分割成 2D 图像。此网络在最近几年的动态支架血管内治疗中的表现显著优于其他方法，尤其是在敏感细节方面的性能提高了 3%。

Sep, 2023

本文提出了一种基于深度强化学习的无监督的主动血管 DSA/CTA 刚性配准方法 UDCR，通过重叠度计算奖励函数来衡量分割图与 DSA 图像之间的配准准确性，该方法具有高度灵活性，可用于临床应用。

Mar, 2024