本文提出了一种基于物理约束的贝叶斯深度学习方法，用于从稀疏、噪声较大的速度数据中重建流场，并估计重建流的不确定性，该方法在稀疏测量数据上训练贝叶斯深度神经网络来捕捉流场。与此同时，在无法获得测量数据的大量时空点上，对违反物理定律的惩罚将被响应。采用非参数变分推断方法，使得贝叶斯学习具有物理约束性。通过对具有合成测量数据的理想化血管流的几个测试案例研究表明，该方法的优点。

Jan, 2020

通过深度学习中的三维卷积神经网络，从具有高泡沫浓度的超声数据中恢复密集的血管网络。

Oct, 2023

通过使用卷积神经网络对感兴趣的点进行定位和分类，并将血管表示为一些最小距离树状图的边，基于地形测量方法检测血管及其几何特征，我们的研究聚焦于在血管网络中检测重要的地标，并利用位置和方向的空间，准确地将 2D 血管表示为树状结构。我们构建了适用于超声定位显微镜（ULM）数据跟踪的模型，提出在这种类型数据上构建良好的成本函数用于跟踪。我们还对合成数据和眼底图像数据进行了测试。结果表明，缺乏良好注释的 ULM 数据是血管地标定位的障碍，但基于 ULM 数据建立的方向得分对于追踪血管具有良好的测地线效果。

Nov, 2023

使用生成模型模拟合成血管树并训练血管分割，提高细分肾小球周围微小血管的准确性，并在真实扫描上完成分割验证。

May, 2023

提出采用半自动分割技术和全局构造优化算法构建个体化肾血管网络模型，以实现肾功能计算机模拟和基于人工智能的诊断方法，并通过一只大鼠肾脏的解剖数据对模型进行有效性验证。

Mar, 2023

我们提出了一种数据驱动的生成框架，用于合成血管的三维几何形状，通过使用 VesselVAE，我们能够生成准确且多样的血管三维模型，这对于医学和手术培训、血液动力学模拟等目的具有重要意义。

Jul, 2023

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

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

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

本文提出了一种基于深度学习的框架，利用计算机辅助技术快速准确地进行冠状动脉血液动力学分析， 通过迭代学习算法可以用 CCTA 图像预测冠状动脉的血液动力学分布，并与计算流体动力学分析结果相吻合，为冠状动脉疾病发展的机制揭示提供新思路。

May, 2023