Jun, 2024

DeNVeR: 非监督视频血管分割的可变形神经血管表示

PDF
TL;DR本文提出了一种无监督的 Deformable Neural Vessel Representations (DeNVeR) 方法，用于 X 射线视频中的血管分割，通过光流和层分离增强分割精度和适应性，并引入了首个高质量手动标记分割地面真实性的 X 射线血管造影冠状视频数据集 XACV，评估结果表明 DeNVeR 在血管分割方面优于当前最先进的方法，为医学成像领域提供了一个强大的高效工具，为疾病诊断和治疗规划提供支持，并为未来视频血管分割研究树立了新的标准。详情请参阅项目页面中的视频结果。
deformable neural vessel representationsvessel segmentationx-ray videosxacv datasetmedical imaging
发现论文，激发创造
  • DeepVesselNet: 三维血管造影体积中的血管分割、中心线预测和分叉点检测

    DeepVesselNet 是一种适用于血管图像分割的网络结构，主要使用 2D 十字卷积滤波器和合成数据集进行训练，能在降低计算复杂度的同时实现较高准确率。

    Mar, 2018

  • 通过学习图形连通性进行深度血管分割

    本研究提出了一种新颖的基于深度学习的血管分割系统，将图卷积网络与统一的 CNN 结构相结合，可以应用于扩展任何类型的基于 CNN 的血管分割方法，实验证明该方法在两个视网膜图像数据集以及冠状动脉 X 射线血管造影数据集上性能优于当前的最先进方法。

    Jun, 2018

  • 基于便携式设备的眼底视频数据集用于视网膜血管分割

    本文介绍了一种采用手机作为数据采集设备的视觉调节分类视频数据集，通过空间和时间注释，在血管分割领域有着广泛而精确的应用，并希望对眼部疾病的诊断和早期预防有所贡献。

    Jul, 2023

  • 深血管造影：简化视网膜血管分割

    本文提出了一种对比变分自编码器，可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管，并且通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到了提高，可以在不同的目标领域生成稳定的血管造影，提供了一种良好的可视化方法，是荧光素血管造影的一个无创、安全的替代方法。

    Jul, 2023

  • 自监督血管分割的扩散对抗表示学习

    本文提出了一种使用扩散概率模型和对抗性学习的扩散对抗性表示学习（DARL）模型，用于血管分割，该模型可以在无监督和自监督的情况下学习，并且可以应用于冠状动脉和视网膜图像的血管结构分割。通过实验，我们证明该方法显著优于现有的无监督和自监督的血管分割方法。

    Sep, 2022

  • A2V：一种基于半监督领域自适应框架的脑血管分割方法 —— 通过两阶段训练进行血管透视图到静脉呈像的转换

    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

  • 基于全卷积神经网络的结构化预测方法用于视网膜血管分割

    本文提出了一种基于卷积神经网络的结构化预测模型，有效地解决了（DRIVE 数据集上）自动分割视网膜血管的任务，得到 95.33% 的准确率和 0.974 的 AUC 值。

    Nov, 2016

  • DeVOS: 流引导的可变形变压器用于视频对象分割

    结合基于记忆的匹配和运动引导传播的 DeVOS（可变形视频对象分割）架构，用于视频对象分割，实现稳定的长期建模和强大的时间一致性。

    May, 2024

  • 无约束单目视频无监督深度估计的区域变形网络

    本文提出了一种新的基于学习的深度估计方法，由 DepthNet、PoseNet 和 Region Deformer Networks（RDN）组成，用于无约束单眼视频的深度估计，其核心贡献在于 RDN 对刚性和非刚性物体的适当处理，特别是提出了基于变形的运动表示来在 2D 图像上对个体运动建模，该表示使我们的方法适用于多样化和无约束的单眼视频，并分别在 KITTI 和 Cityscapes 基准测试以及人行追踪数据集上展示了非常好的结果。

    Feb, 2019

  • 自动三维血管中心线提取的混合表示学习

    提出了一种基于深度学习的自动血管提取方法，旨在解决 3D 卷积神经网络在处理 3D 医学图像时 “断排” 问题，该方法采用局部外观的卷积神经网络和全局几何的点云网络相结合，通过最短路径算法将提取的局部部分相连，实现了从 3D 医学图像中高效、自动地提取血管轮廓线的效果。

    Dec, 2020