通过 coronary computed tomography angiography (CCTA) 图像，提出了一种注重注意力的特征聚合的三维深度网络 (AGFA-Net)，用于冠状动脉分割，该网络利用注意机制和特征细化模块来捕捉显著特征并提高分割准确性。在包含 1,000 个 CCTA 扫描的数据集上，AGFA-Net 的评估表现出卓越的性能，在 5 折交叉验证中平均 Dice 系数相似度达到 86.74%，Hausdorff 距离为 0.23 毫米。消融研究进一步验证了所提出模块的有效性，凸显了它们对于改进分割准确性的贡献。总体而言，AGFA-Net 提供了一个稳健且可靠的冠状动脉分割解决方案，解决了不同血管尺寸、复杂解剖和低图像对比度带来的挑战。

Jun, 2024

通过将冠状动脉的语义分割任务转化为图形节点相似性比较任务并使用边缘注意图匹配网络方法，成功实现了动脉语义标记，该方法有可能成为提高冠状动脉疾病诊断和治疗的一个有效解决方案。

May, 2023

该研究提出了一种基于多图图匹配算法（MGM）的冠状动脉语义标签方法，通过融合解剖图结构、影像学特征和语义映射，实现了冠状动脉语义标签的准确率为 0.9471，为冠状动脉分析提供了一种新的工具。

Feb, 2024

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

冠状动脉语义标记的心脏血管图匹配模型通过将两个独立图之间的动脉分支进行匹配，实现了运用部分标记的动脉段对未标记的段进行分类和冠状动脉的语义标记，从而提高了冠状动脉语义标记的准确度，并在实时临床决策中具有高效的预测能力。

Aug, 2023

开发了一种新的算法 AGMN，通过 ICA 中提取的血管树和构建关联图，实现冠状动脉分段的语义标注，并成功地在 263 个 ICA 上进行了训练和验证。该算法在精度、可解释性和鲁棒性方面表现出良好的性能，显著优于现有的冠状动脉语义标注方法。

Jan, 2023

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

提出一个基于几何的级联分割算法用于冠状动脉的连续和准确的三维重建，克服了医疗图像低分辨率和对比度差的局限性，比传统算法提升了分割精度，特别是避免了血管断裂的问题。

May, 2023

用 T2 磁共振成像合成大脑 Willis 环的主要脑动脉分割的编码器 - 解码器模型，其根据 T2 磁共振成像提取相关信息，与现有模型相比，产生具有更高分辨率的 Willis 环血管分割。

Aug, 2023

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