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

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

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

医学影像在诊断和治疗规划中发挥着关键作用，尤其是放射学和病理学对精确的图像分割依赖很大。Segment Anything Model（SAM）作为一种有前景的框架，用于解决不同领域的分割挑战。本文深入探讨了 SAM，剖析了其基本组成部分，并揭示了它们之间复杂的相互作用。我们还探讨了 SAM 的微调，评估了其对分割结果准确性和可靠性的深远影响，重点关注放射学（具体地说是脑肿瘤分割）和病理学（具体地说是乳腺癌分割）的应用。通过一系列精心设计的实验，我们分析了 SAM 在医学影像领域的潜在应用，旨在弥合先进分割技术与保健需求之间的差距，并揭示 SAM 的变革能力。

Sep, 2023

最近许多生物医学影像分析领域的进展主要受到 Segment Anything Model (SAM) 的推动。这项先进的技术最初是为了通用计算机视觉而开发的，但在医学图像处理领域得到了迅速应用。我们的综述聚焦于 2023 年 4 月 1 日至 9 月 30 日这段重要的首次出版后六个月的时期，我们研究了 SAM 在解决长期临床挑战方面所需的改进和整合，特别关注了我们分析的 33 个开放数据集。尽管 SAM 在许多应用中达到了或超越了最先进的性能水平，但在一些方面仍存在不足，例如对颈动脉、肾上腺、视神经和下颌骨的分割。我们的调查深入研究了 SAM 的创新技术和其在各种医学影像场景中有效转化和应用的核心概念。

Jan, 2024

通过引入最大规模的公共基准 BvEM，本研究致力于解决神经影像学领域的重大课题，在体积电子显微镜（VEM）图像中，专门设计用于皮质血管分割。本研究开发了一种名为 TriSAM 的零射的皮质血管分割方法，并基于三种哺乳动物（成年小鼠、猕猴和人类）的 VEM 图像体积构建了 BvEM 基准。实验结果表明，TriSAM 在三种物种的 BvEM 基准上取得了优越的性能。

Jan, 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

基于半监督域自适应的脑血管分割方法，通过图像到图像的转换和语义分割，利用一个分离和语义丰富的潜在空间来表示异构数据并在不同模态之间进行图像级别的自适应，实现了高效且稳定的模型训练，并在不同模态下取得了同源领域最佳性能与目标领域 8.9% 的 Dice 值差距，具有可靠的脑血管图像分割潜力。

Sep, 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

我们提出了一种基于 X 射线血管造影图像的、能够自动化诊断冠状动脉疾病的自动区域冠状动脉疾病诊断的方法，该方法结合了经典计算机视觉的预处理和特征选择，通过增强血管对比度来提高血管分割的准确性，并利用 YOLOv8 生成血管图像并基于逻辑推理的方法重构冠状血管树以实现最终分割，我们在 ARCADE 挑战中获得了第三名，验证集和保留集的 F1 得分分别为 0.422 和 0.4289。

Oct, 2023