实时在术中 X 射线中的导丝追踪和分割
本文提出了一种基于深度卷积神经网络的实时方法,用于在 2D X 射线透视序列中分割导管和导丝,使其在 X 射线成像指导下的介入手术中能够自动检测和追踪,该方法在 25 个介入操作的 237 个 X 射线序列图像上进行训练和测试,得到了极高的分割精度。
Jul, 2017
我们提出了一种利用 CathSim 和 3D-Fluoroscopy Guidewire Reconstruction Network (3D-FGRN) 重建三维导线的新方法,该方法能够与传统的三角化方法在模拟单平面荧光成像中达到相同水平,有效地证明了该网络作为传统方法的有希望的替代品。
Nov, 2023
提出了一种使用改进的机器学习变压器架构来检测和分割超声辅助介入导管的方法,借助物理建模和超声模拟器产生合成超声图像,并经实验证明了其在超声噪声和扫描角度范围上的鲁棒性,为更安全高效的血管内手术迈出了重要的一步。
Sep, 2023
通过学习超过 1600 万干预 X 光帧的数据,我们提出了一种新的方法来实现设备的准确检测和跟踪,从而提高干预心血管手术的安全性和效果,同时在干预图像分析中的其他任务中更好地理解时空语义。
May, 2024
本论文提出了一种针对单支支架的端到端深度学习框架,用于股动脉成形术中 X 射线荧光镜下的设备跟踪,该方法包含三个模块,即基于 U-Net 的地标检测、基于 ResNet 的支架提取和特征提取,以及基于图卷积神经网络的支架跟踪,实验结果表明与最先进的基于点追踪模型相比,我们的方法在检测方面表现明显更好。此外,其快速推断速度满足临床需求。
Jul, 2022
我们介绍了一种自我监督深度学习架构,用于在纵向超声图像中分割导管,并消除对标记数据的需求。该模型在合成超声数据和硅主动脉模型图像上进行验证,展示了其未来在临床数据中应用的潜力。
Mar, 2024
利用深度学习,将 2D 的手术工具姿态估计重构为热力图回归,与分割同时进行。实验证明,该方法可以显著提高性能,超越现有技术在 Retinal Microsurgery 和 MICCAI EndoVis Challenge 2015 的表现。
Mar, 2017
我们引入了一种对导管和导丝进行形状敏感的损失函数,并将其应用于视觉转换网络中,在大规模 X 射线图像数据集上取得了最新的研究成果。我们将网络预测和相应的真值转换为有符号距离图,从而使任何网络能够集中精力处理关键的边界而不仅限于整体轮廓。通过计算这些特征向量之间的余弦相似度,我们对图像相似性有了更细致的理解,超越了传统基于重叠度的测量方法的局限。我们的方法具有许多优势,包括尺度和平移不变性,以及对微小差异的较好检测,从而确保图像中医疗仪器的准确定位和描述。全面的定量和定性分析证实了相比现有基准的显著性能提升,展示了我们新的形状敏感损失函数在改善导管和导丝分割方面的潜力。
Nov, 2023