通过在神经网络分割结果中直接提取边界体素，在最小曲面的基础上建立最优连接模型，并改进了血管的分割，为三维多分类血管分割任务带来了最先进的性能表现，同时，相比其他方法，处理血管分散和结构完整性并有效地改善了血管结构的 Betti 误差和 LR、BR 误差指标，使血管具有更精确的拓扑结构。

Jun, 2023

本文研究了两种自动化的血管定位方法，用于处理健康和不健康（病理性）视网膜图像，通过降低亮斑效应和使用多尺度线运算符定位线状血管结构来忽略黑斑病变。通过与现有解决方案的定量和定性比较，结果表明这些方法与其他解决方案高度可比。

Oct, 2023

将视网膜图像分割任务视为图像级回归，通过引入 SAUNA 变换和广义的 Jaccard 度量损失训练 U-Net 模型，在 5 个视网膜图像数据集上优于最近发表的方法。

May, 2024

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

本文在评估了三种高性能卷积神经网络在分割遗传性视网膜病变视网膜血管图像方面的性能后，得出结论，现有的公共数据集对帮助眼科医生诊断遗传性视网膜病变所需的高性能预测模型存在一定限制，需要更加详细的数据集或更深层的模型。

Jun, 2023

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

介绍了一种创新的滤波器融合方法，增强了血管分割模型的效果，通过对比分析，研究表明在训练模型时使用强化血管输入可以提高细分较小血管的效果。

Feb, 2024

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

准确分割脑血管对于脑血管疾病的诊断和治疗至关重要。本文提出了一种自适应半监督方法，通过创新的技术，包括渐进式半监督学习、自适应训练策略和边界增强，解决了存在的小血管捕捉和部分或模糊标注数据处理的挑战。实验结果表明，我们的方法在基于网格的分割度量方面具有优越性。通过利用部分和模糊标记的数据对主要血管进行标注，我们的方法在错标细小血管的分割性能方面取得了令人瞩目的成果，展示了其在临床应用中的潜力。

Aug, 2023

提出了一种基于编码解码神经网络结构、sigmoid 平滑和自适应阈值方法的全尺度微血管提取机制，对视网膜血管分割问题进行了降低，取得了与之前研究相比具有竞争力的结果。这一性能的提升使得该解决方案更有可能应用于寻求眼科专家关注的真实诊断中心。

Nov, 2023