Jun, 2024

数字减影血管造影序列数据集和脑动脉分割的时空模型

PDF
TL;DRDSA 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。
cerebrovascular diseasesdigital subtraction angiographysegmentationdatasetdsanet
发现论文，激发创造
  • 数字减影血管造影中动静脉畸形的时空解缠

    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

  • TSI-Net：数字减影血管造影中颅内动脉分割的时间序列图像分割网络

    我们提出了一种时间序列图像分割网络 TSI-Net，它采用了一个带有双向 ConvGRU 模块的 U 形结构，能够输入可变长度的 DSA 序列，保留过去和未来信息，并将其分割成 2D 图像。此网络在最近几年的动态支架血管内治疗中的表现显著优于其他方法，尤其是在敏感细节方面的性能提高了 3%。

    Sep, 2023

  • DSA 序列颅内动脉分割的综合基准测试

    本研究旨在研究数字减影（DSA）成像中颅内动脉（IA）的分割及其在 IA 相关疾病的诊断与神经介入手术中的应用，并在此基础上提出了将维度约简与二维 / 三维模型相结合的方法，提出了一种基于涂鸦学习的图像分割框架，SSCR，并介绍了一种基于随机裁剪的自学习框架，旨在提高颅内动脉分割的性能。

    Jun, 2023

  • 基于物理信息学的时间分辨血管造影荧光剂浓度重建

    通过训练基于神经网络的模型，并结合血液流动模拟数据集，我们的方法可以重建血管内对比剂在时间和空间上的浓度变化，具有很高的准确性和鲁棒性。

    Mar, 2024

  • SAM-VMNet：冠状动脉造影血管分割的深度神经网络

    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

  • 通过血管概率引导的衰减学习从稀疏视角动态 DSA 图像中重建 3D 血管

    利用血管概率场进行稀疏视图数字减影血管造影重建任务的研究表明，这种方法能够有效地解决动态血流和稀疏视图数字减影血管造影图像输入不足的问题，并显著提高重建质量及全景合成图像质量。

    May, 2024

  • TransONet: 使用深度学习自动分割计算机断层扫描血管造影中的血管

    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

  • 基于深度学习分类 DSA 图像序列实现卒中治疗的临床转化

    本文介绍了一种开源工具，采用机器学习技术实现数字减影血管造影（DSA）血栓检测的自动分类，并在三个临床病例中进行了测试，其模型能够正确分类 M1 分段中的所有大血管闭塞，并可以在 (接近) 实时的情况下被临床工作人员使用。

    May, 2023

  • AngioMoCo: 脑数字减影血管造影中基于学习的运动校正

    AngioMoCo 是一种基于学习的框架，通过整合对比度提取和运动校正技术，从 X 射线血管造影生成运动补偿的 DSA 序列，消除运动伪影同时保留对比度流动。

    Oct, 2023

  • 使用深度完全卷积网络在 CT 扫描中分割主动脉血管树

    采用两阶段的全卷积网络，在 CTA 扫描中准确自动地分割主动脉血管树，达到加速医学图像分析流程的目的，并在 2023 年 MICCAI 主动脉（SEG.A.）挑战赛中，使用公共数据集评估了该方法，取得了较高的 Dice 相似系数（0.920）、Jaccard 相似系数（0.861）、召回率（0.922）和精确度（0.926）的结果。

    May, 2023