无标签和无数据的血管系统分割串联切片 OCT 数据的训练策略
采用基于空间殖民化的仿真方法和三个对比适应管道,以更快、更真实地合成 OCTA,表现出优异的性能,能更好地补足深度学习方法不足。
Jun, 2023
本研究提出了一种准确高效的神经网络,用于光相干断层扫描血管成像(OCTA)中视网膜血管的分割,通过在完整分辨率卷积网络中应用改进的循环 ConvNeXt 模块实现了与其他 SOTA 方法相当的准确性,且具有更少的参数和更快的推理速度(比 U-Net 轻 110 倍且快 1.3 倍),非常适合工业应用,同时构建了一个包含 918 个 OCTA 图像及其相应血管注释的新数据集,该数据集通过 Segment Anything Model(SAM)的协助进行半自动注释,极大地提高了注释速度,研究代码和数据集可从给出的 URL 获取。
Sep, 2023
提出了一种基于 OCT-A 的血管分割网络 SCF-Net,并在 ROSE 数据集上进行了全面的评估,结果表明相对于传统方法和其他深度学习方法,SCF-Net 在 OCT-A 中具有更好的血管分割性能。
Jul, 2020
本研究提出一种利用一次重复 OCT 扫描生成 OCTA 图像的血管提取流程,基于卷积投影利用更好地学习图像块之间的空间关系的 Vasculature Extraction Transformer(VET)实现。与使用四次重复 OCT 扫描的 SV-OCTA 及 ED-OCTA 获得的 OCTA 图像相比,VET 提取的 OCTA 图像展现出中等的质量和更高的图像对比度,同时将所需数据采集时间从大约 8 秒缩短到了大约 2 秒。根据视觉观察,VET 在使用具有挑战性的颈部和面部 OCTA 数据的区域中优于 SV 和 ED 算法。该研究表明,VET 具有从快速一次重复的 OCT 扫描中提取血管图像的能力,从而有助于对患者进行准确的诊断。
Apr, 2023
本文提出了一种基于多任务学习的新型 OCTA 分割方法 (OCTA-MTL),利用图像到 DT(距离变换)分支和自适应损失组合策略,该方法在 ROSE-2 数据集上表现出卓越的分割性能,相对于两种基线方法:单任务分割方法和使用固定损失组合的多任务分割方法。
Nov, 2023
通过使用来自光学相干断层扫描血管造影 (OCTA) 的图像训练 AI 算法,我们可以通过标准的结构性光学相干断层扫描 (OCT) 图像来生成血管图,且模型的性能在微血管灌注方面与 OCTA 不相上下,表现明显优于专家临床医生的操作水平,并绕过了专家标注的负担和限制。这为医学成像提供了一种新的应用方法。
Feb, 2018
使用 Swin-Transformer 和可变形卷积的 SSW-OCTA 模型,成功分割了光学相干断层扫描血管造影图像中富有复杂形状的视网膜结构,并在 OCTA-500 数据集上达到了最先进的性能水平。
Apr, 2024
自动血管分割在生物医学成像中至关重要,但由于血管结构的复杂性、患者间解剖变异、公开数据集的稀缺性和图像质量等原因,精确分割仍然具有困难。本研究通过深入文献研究,探讨机器学习技术在不同器官中的应用,旨在为新型成像模态下的血管分割提供坚实的基础并确定一个稳健的基准模型。研究使用由 Hierarchical Phase Contrast Tomography (HiP CT) 在人体器官图谱项目中成像获得的三个肾脏的双注释器验证的训练数据集,并采用 nnU Net 模型进行实验评估。结果显示,尽管分割性能表现较好(clDice 值在 0.82 到 0.88 之间),但存在一些错误,如由于缺乏静水压力(HiP CT 是一种离体技术)而导致的大血管分割效果较差,以及细小血管连接性减弱和血管边界处更高的分割误差。通过本研究和输出,我们旨在为后续基于不同成像模态的模型评估建立一个基准,特别是使用 HiP CT 成像数据库。
Nov, 2023