May, 2024

自监督学习用于介入图像分析：追踪可靠的设备

PDF
TL;DR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。
device detectiontrackingendovascular cardiac interventionsx-ray image acquisitionsspatio-temporal features
发现论文，激发创造
  • CathFlow: 使用光流和 Transformer 对介入超声中导管进行自监督分割

    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

  • 基于关键点的 X 射线透视术中支架跟踪

    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

  • ConTrack：X-ray 设备追踪的上下文变换器

    提出了一种基于转换器的网络 ConTrack，利用空间和时间上下文信息在 X 光荧光和描记术图像中进行准确的设备检测和跟踪。

    Jul, 2023

  • 实时在术中 X 射线中的导丝追踪和分割

    提出了一种用于实时导丝分割和跟踪的两阶段深度学习框架，包括一个用于精确定位导丝的 Yolov5s 检测器和一个用于分割导丝的新颖高效网络，通过定量和定性评估证明该方法在临床术中图像上表现出更高的鲁棒性和比当前技术更好的性能。

    Apr, 2024

  • 基于解剖位置预测的自监督学习用于心脏 MR 图像分割

    本文提出了一种基于自监督学习的心脏磁共振图像分割方法，通过预测解剖位置作为监督信号来学习特征，避免了手动标注数据的高成本问题，同时获得了比从零开始训练的 U-net 更好或可比的分割准确度。

    Jul, 2019

  • AiAReSeg: 利用 Transformer 进行介入超声波的导管检测与分割

    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

  • 利用自监督学习检测跟踪器错误，以最小人工参与收集始终高质量的物体轨迹

    我们提出了一个混合框架，通过将自动化目标跟踪器与少量人工输入相结合，可以持续产生高质量的物体跟踪。我们的方法利用无标签视频上的自我监督学习，学习适合目标物体的表示，并使用该表示主动监视其跟踪区域，并在跟踪器失效时决策是否需要人工重新定位目标。实验证明我们的方法在三个数据集上优于现有方法，尤其适用于小型、高速移动或遮挡物体。

    May, 2024

  • X 射线荧光透视下导管的全自动实时分割

    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

  • 利用自监督学习和最小标签自动检测手术视频中的身外画面以保护隐私

    利用自我监督和最少数据标签，我们提出一个可以精准检测手术视频中出现的躯体外视频帧的框架，该方法使用大量无标记内窥镜图像进行自我监督学习，并使用辅助任务的预训练和有限监督的微调，可提高医疗数据隐私保护，该方法达到了 96.00-98.02 的平均 F1 分数。

    Mar, 2023

  • 自监督表征学习框架在远程生理测量中利用时空增强损失

    本文提出了一种基于自监督的时空学习框架，用于表示从面部视频中收集的生理信号，通过应用特定的数据增强模型以及约束时空损失，可以取得比其他自监督方法更好的结果，并且与最先进的有监督方法具有相当的精度。

    Jul, 2021