Jun, 2024

通过人机协同标注进行吲哚菁绿色荧光血管造影图像的脉络膜血管分割

PDF
TL;DR该研究利用 Human-in-the-loop (HITL) 框架发展了高精度的 ICGA (青铜绿素绿荧光血管造影) 病变检测模型，通过多源 ICGA 数据集进行模型训练，并成功降低了手动标注的工作量。研究还发现多维度的脉络膜血管参数与多种脉络膜视网膜病变密切相关。
发现论文，激发创造
  • 使用模拟光学相干断层扫描血管造影技术进行详细视网膜血管分割，无需人工注释

    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

  • 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

  • 一种鲁棒的半自动眼底视网膜图像血管追踪方法

    本研究提出了一种基于实例分割神经网络的强大的半自动血管追踪算法，能够追踪视网膜图像中不同血管树，并保留血管层次结构信息，为后续与视网膜疾病相关的血管形态学分析铺平了道路。

    Feb, 2024

  • 基于深度学习的手工处理流水线蒸馏，实现光学相干断层扫描视网膜脉络膜分割的高效自动化

    该研究介绍了一种全自动和高效的脉络膜分割方法 DeepGPET，旨在补充基于当前浅表视网膜血管的血管表型，协助量化脉络膜参数，如厚度和面积，并在不引入主观性的情况下减少手动干预。

    Jul, 2023

  • 深度学习在相位对比计算机断层成像中的血管分割及应用

    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

  • 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

  • VesselShot: 脑血管分割的小样本学习

    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

  • 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

  • 光学相干断层扫描血管造影（OCTA）血管分割的多任务学习

    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

  • 利用人机协同学习对乳腺癌医学图像进行分割、分类和解读

    使用人主导策略进行医学领域机器学习模型训练的应用研究，以整合基因组数据和乳腺癌的全切片图像分析为例，探索了人工专家在处理大规模和复杂数据中的作用以及该方法的局限性。

    Mar, 2024