Retinal Vessel Segmentation via Neuron Programming
School of Science, Nanjing University of Posts and Telecommunication（南京邮电大学理学院）；The Chinese University of Hong Kong（香港中文大学）
本文提出“神经元编程”方法，通过在神经元层面自动搜索神经元类型来增强网络表示能力，并开发超网络预测最优配置，在视网膜血管分割任务中取得竞争力表现。
2024-11-17 cs.CV eess.IV
Benchmarking Retinal Blood Vessel Segmentation Models for Cross-Dataset and Cross-Disease Generalization
University of Ibadan（伊巴丹大学）；African Institute for Mathematical Sciences（非洲数学科学研究所）；Hertie Institute for AI in Brain Health（赫蒂脑健康人工智能研究所）；University of Tübingen（蒂宾根大学）；University of Bern（伯尔尼大学）；University College London（伦敦大学学院）；Tübingen AI Center（蒂宾根人工智能中心）
本研究在大规模FIVES眼底数据集上对5种视网膜血管分割模型做基准测试，发现数据充足时基础架构表现媲美先进架构，图像质量是分割关键，为临床模型选择提供指导。
2024-06-21 cs.CV eess.IV
Early Diagnosis of Retinal Blood Vessel Damage via Deep Learning-Powered Collective Intelligence Models
Vellore Institute of Technology（韦洛尔理工学院）
糖尿病视网膜病变等视网膜疾病的早期诊断已经引起了许多研究者的关注。通过引入卷积神经网络的深度学习已成为分类和分割等图像相关任务的重要解决方案。图像分类中的大多数任务都由在imagenet数据集上预训练和评估的深度CNN处理。然而，这些模型并不总是转化为其他数据集上的最佳结果。基于遗传学从头开始手动设计神经网络可能不会导致最佳模型，因为有许多超参数在起作用。在本文中，我们使用两个自然启发的群算法：粒子群优化（PSO）和蚁群优化（ACO），以获得TDCN模型进行眼底图像的严重程度类的分类。群算法的强大功能用于搜索卷积层、池化层和归一化层的各种组合，以提供任务的最佳模型。据观察，TDCN-PSO优于imagenet模型和现有文献，而TDCN-ACO实现更快的架构搜索。最佳TDCN模型的准确度为90.3%，AUC ROC为0.956，Cohen kappa评分为0.967。与以往的研究结果进行了比较，表明所提出的TDCN模型表现出优越的性能。
2022-10-17 cs.CV cs.LG cs.NE
Blood Vessel Geometry Synthesis using Generative Adversarial Networks
Image Sciences Institute（影像科学研究所）；UMC Utrecht（乌得勒支大学医学中心）
计算合成的血管可用于医学图像分析应用的训练和评估。我们提出了一个深度生成模型来合成血管几何形状，并应用于心脏CT血管造影（CCTA）中的冠状动脉。在所提出的方法中，训练了由生成器和鉴别器网络组成的Wasserstein生成对抗网络（GAN）。当生成器尝试合成真实的血管几何形状时，血管生成器尝试将合成的几何形状与真实血管的几何形状区分开。真实和合成的血管几何形状都被参数化为基于中心血管轴的1D信号。生成器可以可选地被提供有属性向量以合成具有特定特性的血管。使用参考数据库优化GAN，该参考数据库具有从CCTA扫描中提取的4，412个真实冠状动脉几何形状的参数化。在训练之后，可以基于从潜在空间采样的随机向量来合成合理的冠状动脉几何形状。定性分析显示真实冠状动脉和合成冠状动脉之间有很强的相似性。对潜在空间的详细分析表明，发生器准确捕获了冠状动脉解剖结构中存在的多样性。结果表明，Wasserstein生成对抗网络可用于合成血管几何形状。
2018-04-12 cs.CV
A Hierarchical Image Matting Model for Blood Vessel Segmentation in Fundus images
Shantou University（汕头大学）；South China University of Technology（华南理工大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Soochow University（苏州大学）
本文提出了一种层次图像抠图模型，用于眼底图像血管提取。更具体地说，利用视网膜血管的连续性和可扩展性的分层策略被集成到用于血管分割的图像抠图模型中。通常抠像模型需要用户指定的三重图，它将输入图像手动分为三个区域：前景，背景和未知区域。然而，由于创建用户指定的三分图是一个繁琐和耗时的任务，血管的区域特征来自动生成三分图在本文中。该模型具有较低的计算复杂性，并优于许多其他国家的最先进的监督和无监督的方法在准确性方面，它实现了96：0%，95：7%和95：1%的血管分割准确率在平均时间为10：72秒，15：74秒和50：71秒的图像从三个公开可用的眼底图像数据集DRIVE，STARE和CHASE DB 1，分别。
2017-10-09 cs.CV
The Multiscale Bowler-Hat Transform for Blood Vessel Enhancement in Retinal Images
Durham University（杜伦大学）；Glasgow University（格拉斯哥大学）
视网膜图像中血管的增强、分割、量化和建模在计算机辅助视网膜病变诊断中起着至关重要的作用。本文介绍了一种新的血管增强方法--基于数学形态学的圆顶帽变换。所提出的方法结合不同的结构元素来检测血管样结构的固有特征。我们定性和定量地评估所提出的方法，并将其与现有的，最先进的方法，使用合成和真实的数据集进行比较。我们的研究结果表明，所提出的方法实现了高质量的血管样结构增强在合成的例子和临床相关的视网膜图像，并被证明能够检测到精细的血管，同时保持强大的交界处。
2018-03-28 cs.CV
Blood capillaries and vessels segmentation in optical coherence tomography angiogram using fuzzy C-means and Curvelet transform
这篇论文已从arXiv中删除，因为作者对本文中提供的数据没有所有权。
2017-05-31 cs.CV
FCM Based Blood Vessel Segmentation Method for Retinal Images
JIS College of Engineering（JIS工程学院）；Kalyani Govt. Engineering College（卡利亚尼政府工程学院）
视网膜图像中的血管分割提供了青光眼、糖尿病视网膜病变和黄斑变性等疾病的早期诊断。在这些疾病中，青光眼的发生率最高，并且具有严重的眼部后果，如果不及早发现，甚至可能导致失明。青光眼的临床诊断标准包括眼压测量、视神经乳头评价、视网膜神经纤维层和视野缺损。这种形式的血管分割有助于眼科疾病的早期检测，并可能降低失明的风险。由于视网膜的血管狭窄，难以提取视网膜处的低对比度图像。然而，这些低对比度图像在揭示某些系统性疾病方面是有用的。出于提高血管检测的目标，本工作提出了一种血管分割算法，并比较了眼科专家手绘地面实况和分割图像之间的结果灵敏度、特异性、阳性预测值（PPV），正似然比（PLR）和准确性被用来评估整体性能。发现该工作成功地分割了血管，具有灵敏度，特异性，PPV，PLR和准确度分别为99.62%、54.66%、95.08%、219.72%和95.03%。
2012-09-06 cs.CV
A Retinal Image Enhancement Technique for Blood Vessel Segmentation Algorithm
University of Moratuwa（莫勒图沃大学）；Base Hospital Kebithigollawa（科比蒂戈勒沃基地医院）
眼底血管形态是青光眼、高血压、糖尿病视网膜病变等疾病的重要指标。视网膜血管分割的准确性直接影响着现代眼科诊断方法中视网膜图像分析的质量。对比度增强是任何视网膜血管分割方法中的关键步骤之一。分割的可靠性取决于图像上对比度的一致性。本文提出了一种评估的适用性，最近发明的空间自适应对比度增强技术，增强视网膜眼底血管分割图像。该增强技术与Tyler Coye算法的一种变体相结合，该算法已被改进为基于Hough线变换的血管重建方法。该方法在两个公共数据集STARE和DRIVE上进行了评估。评估是通过比较的分割性能与五个广泛使用的对比度增强技术的基础上小波变换，对比度有限的直方图均衡化，局部归一化，线性反锐化掩模和轮廓波变换。结果表明，评估增强技术是非常适合的应用程序，也优于所有比较技术。
2018-02-28 cs.CV
vesselFM-CT: Segmenting All Blood Vessels in CT Images for System-Level Cardiovascular Analysis
Department of Quantitative Biomedicine, University of Zurich（苏黎世大学定量生物医学系）
提出vesselFM-CT模型，通过迭代多步训练和TubeLoss损失函数，实现CT图像中从大血管到微小肠系膜血管的全分割，优于基线方法，支持系统级心血管分析。
2026-06-08 cs.CV
Synthetic Data for Blood Vessel Network Extraction
ETH Zurich（苏黎世联邦理工学院）
针对中风研究中显微镜数据血管网络提取面临的标记数据稀缺与拓扑精度要求高的问题，该研究结合合成数据生成与深度学习，提出三阶段合成数据管道及两阶段深度学习模型，实现血管网络自动提取，仅用5个真实样本微调即可提升边缘预测F1分数，推动自动化血管分析可行性。
2025-04-16 cs.CV
A Fully Convolutional Neural Network based Structured Prediction Approach Towards the Retinal Vessel Segmentation
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
从眼底图像中自动分割视网膜血管在视网膜疾病的计算机辅助诊断中起着重要的作用。血管分割的任务是具有挑战性的，由于极端变化的形态的血管对噪声背景。在本文中，我们将分割任务制定为多标签推理任务，并利用卷积神经网络和结构化预测相结合的隐含优势。我们提出的基于卷积神经网络的模型实现了强大的性能，并显着优于最先进的自动视网膜血管分割的DRIVE数据集上的95.33%的准确率和0.974 AUC得分。
2016-11-16 cs.CV
PVBM: A Python Vasculature Biomarker Toolbox Based On Retinal Blood Vessel Segmentation
Technion-IIT（以色列理工学院）；KU Leuven（鲁汶大学）；University Hospitals UZ Leuven（鲁汶大学附属医院）
简介：血管可以通过数字眼底图像（DFI）进行无创可视化。几项研究表明，心血管风险与从DFI获得的血管特征之间存在关联。计算机视觉和图像分割的最新进展使得能够自动化DFI血管分割。需要一种可以从这些分割的DFI自动计算数字脉管系统生物标志物（VBM）的资源。方法：在本文中，我们介绍了一个Python Vasculature BioMarker工具箱，表示为PVBM。共实施了11个虚拟边界管理系统。特别是，我们引入新的算法方法来估计曲折度和分支角度。使用PVBM，并作为可用性的证明，我们分析了昏迷患者和健康对照之间的几何血管差异。结果如下：我们基于DFI分割建立了一个全自动的血管生物标志物工具箱，并提供了表征青光眼血管变化的可用性证明。对于小动脉和小静脉，除了迂曲度、小静脉奇点长度和小静脉分支角度之外，青光眼患者的所有生物标志物均显著低于健康对照。结论：我们已经自动化的计算11 VBMs从视网膜血管分割。PVBM工具箱在GNU GPL 3许可证下开源，可在physiozoo.com上获得（以下出版物）。
2022-07-31 cs.CV
Detection of Retinal Blood Vessels by using Gabor filter with Entropic threshold
Cairo higher institute for engineering, computer sciences and management（开罗工程、计算机科学与管理高等学院）；Majmaah University（迈加马大学）；high institute of engineering Shock academy Cairo（开罗肖克学院工程高等学院）
糖尿病视网膜病变是视力下降的根本原因。本文介绍了一种程序化的策略来识别和去除血管。血管的位置是发现糖尿病视网膜病变的基本步骤，因为血管是视网膜图像的典型元素。血管的位置可以帮助眼科医生更早更快地识别疾病。利用Gobar滤波器在STARE和DRIVE两个可免费访问的视网膜数据库上识别和消除血管。通过对比物理切片图像和比较成品图像，定量评价了分割计算的准确性，采用熵阈值的Gabor滤波器对血管像素进行熵阈值分割，假阳性率小，分割效果较好。
2020-08-25 cs.CV eess.IV
Virtual Blood Vessels in Complex Background using Stereo X-ray Images
University of Washington（华盛顿大学）；Kyushu University（九州大学）；National Institute of Informatics（国立信息学研究所）；Keio University（庆应义塾大学）
本文提出了一种基于增强现实（AR）的三维血管重建系统，该系统可以从骨骼和脂肪的立体X射线图像中重建和显示三维血管。目前，典型的3D成像技术是昂贵的，并且具有辐射暴露的风险。为了减少潜在的伤害，我们只需要在可视化血管之前拍摄两张X射线图像。我们的系统可以有效地重建和可视化血管在以下步骤。我们首先使用马尔可夫随机场进行初始分割，然后在基于熵的后处理中细化分割。我们通过提取中心线和生成树来解析分割的血管。提出了一种由粗到精的立体匹配方法，包括仿射变换的初始匹配和高斯回归引导的匈牙利算法的稠密匹配。最后，我们在基于HoloLens的AR系统中渲染和可视化重建的模型，这可以从根本上改变医疗数据的可视化方式。我们已经使用合成和真实的立体X射线图像评估其性能，并取得了满意的定量和定性结果。
2017-09-22 cs.CV
Hierarchical Part-based Generative Model for Realistic 3D Blood Vessel
Shenzhen Key Laboratory of Ubiquitous Data Enabling（Ubiquitous Data Enabling 深圳重点实验室）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；Tsinghua University（清华大学）；Pengcheng Laboratory（Pengcheng 实验室）；School of Life Science（生命科学学院）；the Key Laboratory of Convergence Medical Engineering System（融合医学工程系统重点实验室）；Information Technology, Beijing Institute of Technology（信息 technology，北京理工大学）；Institute of Medical Artificial Intelligence（医疗人工智能研究所）；the Second Affiliated Hospital of Xi'an Jiaotong University（西安交通大学第二附属医院）；MoE Key Laboratory of Brain-inspired Intelligent Perception（教育部脑启发智能感知与认知重点实验室）；Cognition, University of Science（认知，科学大学）
本文提出一种层次化部件生成框架，将全局二叉树拓扑与局部几何细节分离，通过关键图生成、条件血管段生成和层次化装配三阶段实现真实感三维血管建模，并在真实数据集上取得优于现有方法的效果。
2025-07-21 cs.CV
Segmentation of Retinal Blood Vessels Using Deep Learning
Brunel University London（伦敦布鲁内尔大学）
视网膜血管的形态可以指示人体中的各种疾病，研究人员一直致力于视网膜图像的自动扫描和分割以辅助诊断。该项目比较了四种神经网络架构在分割视网膜图像方面的性能，使用来自不同数据库的组合数据集，即UNet，DR-VNet，UNet-ResNet和UNet-VGG。
2023-03-16 cs.CV eess.IV
vesselFM: A Foundation Model for Universal 3D Blood Vessel Segmentation
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；Technical University of Munich（慕尼黑工业大学）
本文提出专为三维血管分割设计的基础模型 vesselFM，通过融合标注数据、域随机化数据和流匹配生成数据进行训练，在四种成像模态的零样本、单样本和少样本评估中超越现有医学分割基础模型。
2025-03-14 cs.CV eess.IV
Resistance-Time Co-Modulated PointNet for Temporal Super-Resolution Simulation of Blood Vessel Flows
Hangzhou Dianzi University（杭州电子科技大学）；Bauhaus University Weimar（魏玛包豪斯大学）
本文提出了一种新的深度学习框架，用于血管流的时间超分辨率仿真，其中从低时间分辨率的流仿真结果生成高时间分辨率的时变血管流仿真。该框架采用点云表示复杂的血管模型，提出了基于电阻-时间辅助的PointNet模型提取时变流场的时空特征，最后通过Decoder模块重建高精度、高分辨率的流场。特别地，从速度的矢量特性出发，提出了速度的幅度损失和方向损失。这两个指标的组合构成了网络训练的最终损失函数。几个例子来说明所提出的框架的有效性和效率的血管流动的时间超分辨率模拟。
2021-11-19 cs.CV eess.IV
Claw U-Net: A Unet-based Network with Deep Feature Concatenation for Scleral Blood Vessel Segmentation
East China Normal University（华东师范大学）；Ryerson University（瑞尔森大学）
Sturge-Weber综合征（SWS）是一种血管畸形性疾病，病情严重时可导致失明。临床结果表明，根据巩膜血管的特点，SWS可分为两型。因此，如何准确地分割巩膜血管成为计算机辅助诊断中的一个重要问题。在这项研究中，我们提出了不断上采样底层的特征图，以保持图像的细节，并设计了一种新的爪UNet的基础上UNet巩膜血管分割。具体地，残差结构用于在特征提取阶段增加网络层的数量，以学习更深的特征。在解码阶段，通过融合编码、上采样和解码部分的特征，Claw UNet可以在巩膜血管的细粒度区域实现有效的分割。为了有效地提取小血管，我们使用注意力机制来计算图像中每个位置的注意力系数。Claw UNet在巩膜血管图像数据集上的性能优于其他基于UNet的网络。
2020-10-20 cs.CV cs.LG eess.IV
Application of Top-hat Transformation for Enhanced Blood Vessel Extraction
ITER, Siksha ‘O’ Anusandhan (Deemed to be University)（ITER，锡克沙·奥·阿努桑德汉（被视为大学））
在医学领域，已经提出了不同的计算机辅助诊断系统来从视网膜眼底图像中提取血管，用于血管疾病的临床治疗。使用计算机生成的方法从眼底图像中准确提取血管可以帮助临床医生为患有这些疾病的患者提供及时准确的报告。在这篇文章中，我们集成了基于顶帽的预处理方法与微调B-COSFIRE滤波器，以实现更准确的分离血管像素从背景中。在预处理阶段中使用顶帽变换增强了算法的功效，以提取血管中存在的结构，如中央凹，渗出液，出血等，此外，为了减少误报，血管像素的小集群被删除在后处理阶段。此外，我们发现，所提出的算法是更有效的各种现代算法相比，在文献中报道。
2022-03-18 cs.CV cs.LG eess.IV
A Sequence Agnostic Multimodal Preprocessing for Clogged Blood Vessel Detection in Alzheimer's Diagnosis
Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学（BUET））；Georgia Institute of Technology（佐治亚理工学院）
血管阻塞的成功识别是阿尔茨海默病诊断的关键一步。这些块可以使用机器学习方法从脑血管的空间和时间深度可变的双光子激发显微镜（TPEF）图像中识别。在这项研究中，我们提出了几个预处理方案，以提高这些方法的性能。我们的方法包括从图像模态中提取3D点云数据及其特征空间融合，以利用不同模态中固有的互补信息。我们还通过利用双向递归来强制学习的表示是序列顺序不变的。在Clog Loss数据集上的实验结果表明，我们提出的方法在失速和非失速血管分类方面始终优于最先进的预处理方法。
2022-11-06 cs.CV eess.IV
An Analysis of the Influence of Transfer Learning When Measuring the Tortuosity of Blood Vessels
Federal University of São Carlos（圣卡洛斯联邦大学）；University of Ottawa（渥太华大学）；Ottawa Hospital Research Institute（渥太华医院研究所）
在数字图像中表征血管对于许多类型的疾病的诊断以及对于辅助关于血管系统的当前研究是重要的。血管的自动分析通常需要在图像或一组图像中识别或分割血管，这通常是一项具有挑战性的任务。卷积神经网络（CNN）已被证明在血管分割方面提供了出色的结果。CNN的一个重要方面是，它们可以在大量数据上进行训练，然后可以在图像处理软件中广泛使用。然后，预训练的CNN可以很容易地应用于下游血管表征任务，例如计算血管的长度、弯曲度或口径。然而，目前还不清楚预训练的CNN是否可以在应用于未训练的数据集时为下游任务提供稳健的，无偏的结果。在这里，我们专注于测量血管的弯曲度，并调查CNN在多大程度上可以提供有偏的弯曲度值，即使在根据研究中的新数据集微调网络之后。我们表明，通过在数据集上从头开始训练的CNN获得的弯曲度值可能与通过在具有不同弯曲度统计数据的数据集上预先训练的微调网络获得的弯曲度值不一致。此外，我们表明，在细分性能的改善时，微调网络并不一定会导致相应的改善的曲折度的估计。为了缓解上述问题，我们建议应用特定的数据增强技术，即使在它们不能提高分割性能的情况下。
2022-01-10 cs.CV eess.IV
Efficient Kernel based Matched Filter Approach for Segmentation of Retinal Blood Vessels
MMM University of Technology（MMM理工大学）；National Institute of Technology, Hamirpur（哈米尔布尔国家理工学院）
视网膜血管结构包含有关肥胖、糖尿病、高血压和青光眼等疾病的信息。这些信息对识别和治疗这些致命疾病非常有用。为了获得这些信息，需要分割这些视网膜血管。许多基于核函数的方法已经被用于视网膜血管的分割，但是它们的核函数不适合血管轮廓，导致分割效果不佳。为了克服这一点，一种新的和有效的基于核的匹配滤波器的方法已被提出。新的匹配滤波器用于生成匹配滤波器响应（MFR）图像。我们应用大津阈值法对获得的MFR图像提取血管。我们已经进行了大量的实验，以选择最佳的建议匹配滤波器内核的参数值。所提出的方法进行了检查和验证两个在线可用的DRIVE和STARE数据集。该方法对DRIVE和STARE数据集的特异性分别为98.50%、98.23%，准确性分别为95.77%、95.13%。实验结果表明，该方法具有较好的性能。提高性能的原因是由于适当的建议内核，更准确地匹配视网膜血管轮廓。
2020-12-07 cs.CV eess.IV
LightVesselNet: An Ultra-Lightweight Sub-100K Parameter Network for Retinal Blood Vessel Segmentation
Department of Electrical & Electronic Engineering, Bangladesh University of Engineering and Technology (BUET)（电子与电气工程系，孟加拉国工程与技术大学）
提出LightVesselNet，一种仅75K参数的紧凑编码器-解码器网络，结合通道与空间注意力、多尺度特征聚合和亚像素上采样，在五个公开数据集上实现与大型模型相当的视网膜血管分割性能，适用于资源受限的临床环境。
2026-06-03 cs.CV
VesselVAE: Recursive Variational Autoencoders for 3D Blood Vessel Synthesis
Consejo Nacional de Investigaciones Científicas y Técnicas（阿根廷国家科学与技术研究理事会）；Universidad Nacional del Sur（南大学）；Universidad Torcuato Di Tella（托克托迪塔拉大学）
针对现有血管合成方法难以捕捉真实解剖数据多样性的问题，提出递归变分神经网络VesselVAE，利用血管层级结构学习低维流形，生成的血管模型在多项几何指标上与真实数据高度相似，兼具准确性与多样性。
2023-07-07 cs.AI cs.CV eess.IV
Simulation-Based Segmentation of Blood Vessels in Cerebral 3D OCTA Images
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；Imperial College London（伦敦帝国学院）；Technical University of Munich（慕尼黑工业大学）；University Hospital Zurich（苏黎世大学医院）；Toronto Western Hospital（多伦多西部医院）；Krembil Research Institute（克雷比尔研究所）
针对大脑3D OCTA图像血管分割需大量人工标注且标注困难的问题，提出用模拟伪影生成的合成数据监督分割算法，实现了无标注的竞争性分割效果。
2024-03-11 cs.CV eess.IV
VesselShot: Few-shot learning for cerebral blood vessel segmentation
Concordia University（康考迪亚大学）
针对脑血管分割中深度学习方法依赖大量标注、医学预训练网络有限的问题，提出小样本学习方法VesselShot，利用少量支持图像知识缓解标注稀缺问题，在TubeTK数据集上取得0.62(0.03)的平均戴斯系数。
2023-08-28 cs.CV cs.LG eess.IV
MC-UNet Multi-module Concatenation based on U-shape Network for Retinal Blood Vessels Segmentation
Fujian Agriculture and Forestry University（福建农林大学）；Digital Fujian Research Institute of Big Data for Agriculture and Forestry（数字福建农林大数据研究院）
视网膜血管的准确分割是眼科疾病临床诊断的重要环节。许多深度学习框架已经用于视网膜血管分割任务。然而，血管的复杂结构和不确定的病理特征使得血管分割仍然具有很大的挑战性。本文提出了一种基于Atrous卷积和多核池化的U型网络多模块级联，用于视网膜血管的分割。该网络结构保留了U-Net的三层基本结构，并设计了结合多核池块的无卷积，以获取更多的上下文信息。空间注意力模块与稠密无核卷积模块和多核池化模块级联以形成多模块级联。并通过级联选择不同的膨胀率，以获得更大的感受野。在这些公开的视网膜数据集上进行了充分的比较实验：DRIVE，STARE和CHASE_DB1。结果表明，该方法是有效的，特别是对微血管。该代码将在www.example.com上发布
2022-04-07 cs.CV eess.IV
Blood vessel segmentation in en-face OCTA images: a frequency based method
University of Vienna（维也纳大学）；Medical University of Vienna（维也纳医科大学）
本文提出一种基于Gabor滤波器组频率表示的OCTA图像血管分割方法，用于血管密度识别，并在10只眼数据集上验证了其与设备内置值及专家标注的良好一致性。
2022-01-28 cs.CV eess.IV
Segmentation of Blood Vessels, Optic Disc Localization, Detection of Exudates and Diabetic Retinopathy Diagnosis from Digital Fundus Images
Heritage Institute of Technology（遗产理工学院）；Tata Consultancy Services（塔塔咨询服务公司）
糖尿病视网膜病变（DR）是一种长期存在的、未经检查的糖尿病的并发症，也是世界上致盲的主要原因之一。本文重点介绍了改进和鲁棒的方法来提取DR的一些特征，即血管和渗出物。血管分割使用多个形态学和阈值操作。对于渗出液的分割，使用k均值聚类和轮廓检测的原始图像。执行广泛的降噪以从血管分割算法的结果中去除假阳性。利用k-均值聚类和模板匹配进行视盘定位。最后，本文提出了一种具有14个卷积层和2个全连接层的深度卷积神经网络（DCNN）模型，用于DR的自动二元诊断。血管分割，视盘定位和DCNN的准确率分别为95.93%，98.77%和75.73%。源代码和预训练模型可在https://github.com/Sohambasu07/DR_2021上获得
2022-07-09 cs.CV eess.IV
Memory Efficient Multi-Scale Line Detector Architecture for Retinal Blood Vessel Segmentation
Polytechnique Montréal（蒙特利尔理工学院）
本文提出了一种内存高效的架构，实现了多尺度线检测器（MSLD）算法的实时眼底图像中的视网膜血管检测Zynq FPGA。这种实现得益于FPGA并行性，可将MSLD的内存需求从两个图像大幅降低到几个值。该架构通过重用计算和优化位宽来优化资源利用率。通过设计全流水线的功能单元，提高了吞吐量。该架构能够实现与其软件实现相当的精度，但对于低分辨率图像，速度要快70倍。对于高分辨率图像，它实现了323倍的加速。
2016-12-06 cs.AR cs.CV
C-DARL: Contrastive diffusion adversarial representation learning for label-free blood vessel segmentation
National Institutes of Health Clinical Center（美国国立卫生研究院临床中心）；Korea Advanced Institute of Science & Technology (KAIST)（韩国科学技术院）
本文提出自监督血管分割模型C-DARL，通过扩散与生成模块学习多域血管数据分布，并采用基于掩膜的对比损失学习真实血管表示，在多数据集上超越基线方法且具备噪声鲁棒性。
2023-07-31 cs.CV cs.LG eess.IV
Adversarial Learning with Multiscale Features and Kernel Factorization for Retinal Blood Vessel Segmentation
Bioinformatics Institute（生物信息学研究所）；Universitat Rovira i Virgili（罗维拉-威尔吉利大学）
本文提出了一种基于多尺度特征对抗学习和核因子分解的眼底血管分割方法。在对抗框架的生成器网络中，采用空间金字塔池化、核因子分解和挤压激励块来增强空间域中不同尺度上的特征表示，同时降低计算复杂度。反过来，对抗性框架的神经网络是通过将卷积层与额外的挤压激励块相结合来制定的，以区分生成的分割掩码与其各自的地面真相。在将图像输入网络之前，我们通过边缘锐化和高斯正则化对图像进行预处理，以达到血管分割的最佳解决方案。使用形态学操作对训练模型的输出进行后处理，以去除噪声的小斑点。所提出的方法在定性和定量上优于使用DRIVE和STARE数据集的最先进的血管分割方法。
2019-07-05 cs.CV eess.IV
Topological Similarity Index and Loss Function for Blood Vessel Segmentation
INESC TEC（INESC TEC（葡萄牙系统与计算机工程技术研究所））；Faculty of Sciences of the University of Porto（波尔图大学理学院）
血管分割是计算机视觉中研究最多的主题之一，因为它与日常临床实践相关。尽管该领域一直面临着发展，特别是在深度学习出现之后，但重要的挑战仍然没有解决。其中之一是关于血管树拓扑性质的一致性，因为表现最好的方法不会直接惩罚错误，如断裂的片段，并最终产生与断开的树的预测。这在类似图的结构中特别相关，例如血管树，因为它使分割任务之后的表征步骤处于风险之中。在本文中，我们提出了一个相似性指数，它捕获的拓扑结构的一致性预测分割作为参考的地面真相。我们还设计了一种基于形态闭合算子的新型损失函数，并展示了它如何允许学习深度神经网络模型，从而产生更多拓扑相干的掩码。我们的实验目标是众所周知的视网膜基准和冠状动脉造影数据库。
2021-07-30 cs.CV eess.IV
VesselSim: learning 3D blood vessel segmentation without expert annotations
Department of Computer Science and Software Engineering, Concordia University, Montreal, Canada（计算机科学与软件工程系，康科迪亚大学，蒙特利尔，加拿大）；Department of Electrical and Computer Engineering, Concordia University, Montreal, Canada（电气与计算机工程系，康科迪亚大学，蒙特利尔，加拿大）
提出VesselSim两阶段框架，通过几何驱动的合成血管生成和自监督测试时适应，实现无需真实标注的3D血管分割，在多个临床数据集上达到与有监督方法竞争的性能。
2026-05-27 cs.AI cs.CV
3D Vessel Graph Generation Using Denoising Diffusion
University of Zurich（苏黎世大学）；ZHAW（苏黎世应用科技大学）；Technical University of Munich（慕尼黑工业大学）；Imperial College London（伦敦帝国理工学院）；Harvard Medical School（哈佛医学院）
针对现有血管生成方法无法处理含循环结构血管图的问题，首次将去噪扩散模型用于3D血管图生成，提出两阶段去噪方法，经两类真实血管数据集验证可生成多样合理的血管图。
2024-07-08 cs.CV
Segmentation method for cerebral blood vessels from MRA using hysteresis
Australian Institute for Machine Learning（澳大利亚机器学习研究所）；The University of Adelaide（阿德莱德大学）；University of Nottingham（诺丁汉大学）；South Australian Health and Medical Research Institute（南澳大利亚健康与医学研究所）
从磁共振成像（MRI）中分割脑血管是一个可以通过深度学习（DL）解决的开放问题。然而，用于培训的注释数据往往很少。由于缺乏开源工具，我们的目标是开发一种经典的分割方法，该方法可以从磁共振血管造影中生成血管真实数据，用于各种模式的DL分割训练。该方法结合了特定尺寸的海森滤波器，滞后阈值和连接组件校正。由临床医生使用24张3D图像进行盲法评分，评价处理步骤的最佳选择。结果表明，所有方法步骤都是产生最高（14.2/15）血管分割质量评分所必需的。省略连通分量校正造成的质量损失最大。该方法可在GitHub上使用，可用于训练DL模型进行血管分割。
2023-03-09 cs.CV cs.LG eess.IV
Blood Vessel Detection using Modified Multiscale MF-FDOG Filters for Diabetic Retinopathy
Institute of Technical Education & Research, S‘O’A (Deemed to be University)（S‘O’A（被视为大学）技术教育与研究学院）
糖尿病患者因视网膜病变（特征为视网膜内血管直径增加和新分支）导致的失明是一个严重的问题。为了在视网膜图像上使用各种图像处理技术来早期检测该疾病，已经做出了许多努力。然而，大多数的方法是困扰与血管像素的错误检测。鉴于此，在这里，我们提出了一种改进的匹配滤波器与高斯的一阶导数。该方法使用了顶帽变换和对比度限制直方图均衡化。此外，我们通过使用从高斯的一阶导数获得的二进制阈值分割修改的多尺度匹配滤波器响应。在公开可用的数据库（DRIVE数据库）上对该方法进行了评估。正如预期的那样，与文献相比，所提出的方法提供了更高的准确度。此外，已经观察到来自现有的匹配滤波器及其变型的较少的错误检测。
2019-10-26 cs.CV cs.LG eess.IV
Segmentation of blood vessels in retinal fundus images
University of Groningen（格罗宁根大学）
近年来，已经提出了几种用于视网膜眼底图像中血管的自动分割方法，从使用廉价快速的可训练滤波器到复杂的神经网络甚至深度学习。基于滤波的分割方法的一个示例是B-COSFIRE。在这种方法中，图像滤波器用示例原型图案训练，滤波器通过在具有大强度变化的中心周围的圆上找到高斯响应差中的点而变得具有选择性。在本文中，我们讨论和评估这些血管分割方法。我们仔细研究了B-COSFIRE，并通过实验研究了B-COSFIRE在最近发布的IOSTAR数据集上的性能，我们研究了参数值如何影响性能。在实验中，我们设法达到0.9419的分割精度。根据我们的研究结果，我们讨论了当B-COSFIRE是首选的方法，在这种情况下，它可能是有益的，使用一个更（计算）复杂的分割方法。我们还简要讨论了血管分割以外的领域，这些方法可用于分割细长的结构，如卫星图像中的河流或树叶的神经。
2019-05-29 cs.CV cs.LG eess.IV
Recursive Variational Autoencoders for 3D Blood Vessel Generative Modeling
Consejo Nacional de Investigaciones Científicas y Técnicas（阿根廷国家科学与技术研究院）；Universidad Torcuato Di Tella（托科托迪塔拉大学）；Depto. Ing. Eléctrica y Computadoras, Universidad Nacional del Sur（国家南部大学电子工程与计算机系）
针对3D血管结构复杂且现有规则方法难以捕捉真实数据多样性的问题，提出递归变分神经网络（RvNN），通过学习低维流形编码血管连通性与几何特征，生成高准确度且多样的3D血管模型，为医疗训练与血流模拟提供支持。
2025-06-17 cs.CV cs.LG eess.IV
VessShape: Few-shot 2D blood vessel segmentation by leveraging shape priors from synthetic images
Department of Computer Science, Federal University of S\ ao Carlos, S\ ao Carlos, SP, Brazil
提出 VessShape 方法，通过生成包含管状几何与多样纹理的大规模 2D 合成数据集进行预训练，赋予模型形状偏置，有效解决了血管分割中的数据稀缺与跨域泛化问题，在仅需4-10个样本微调及零样本场景下表现优异。
2025-10-31 cs.AI cs.CV
Deep Learning-Based Carotid Artery Vessel Wall Segmentation in Black-Blood MRI Using Anatomical Priors
University of Twente（特文特大学）
颈动脉血管壁厚度测量是监测动脉粥样硬化患者的重要步骤。这需要精确分割血管壁，即，在黑血磁共振（MR）图像中，动脉腔和外壁之间的区域。用于语义分割的常用卷积神经网络（CNN）对于此任务来说是次优的，因为它们的使用不能保证连续的环形分割。相反，在这项工作中，我们将血管壁分割作为极坐标系中的多任务回归问题。对于每个轴向图像切片中的每个颈动脉，我们的目标是同时找到两个不相交的嵌套轮廓，共同描绘血管壁。应用于这个问题的CNN实现了确保环形血管壁的感应偏置。此外，我们确定了一个问题特定的训练数据增强技术，大大影响分割性能。我们将我们的方法应用于颈内动脉和颈外动脉壁的分割，并在公开挑战中获得了一流的定量结果，即，血管壁的中值Dice相似系数为0.813，管腔和外壁的中值Hausdorff距离分别为0.552 mm和0.776 mm。此外，我们展示了该方法如何改进传统的语义分割方法。这些结果表明，它是可行的，以高精度自动获得解剖学上合理的分割的颈动脉血管壁。
2021-12-02 cs.CV cs.LG eess.IV
Deep Learning Based Segmentation of Blood Vessels from H&E Stained Oesophageal Adenocarcinoma Whole-Slide Images
University of Warwick（华威大学）；Imperial College London（伦敦帝国学院）
提出引导图方法提升H&E染色食管腺癌全切片图像中血管分割的准确性，通过鼓励模型学习代表性特征，应对有限标记数据和大模型过拟合问题。
2025-01-24 cs.CV eess.IV
Multi-scale Neural Networks for Retinal Blood Vessels Segmentation
Tsinghua University（清华大学）；Shanghai Jiao Tong University（上海交通大学）
现有的监督方法没有利用实际有效的低级别功能来完成这项任务。另一个不足是没有考虑像素之间的关系，这意味着没有提取有效的特征。本文提出了一种新的卷积神经网络，它充分利用了低层特征和高层特征，并通过一系列的卷积得到多尺度特征，这些特征是有效的特征。我们的模型在三个标准的基准测试-驱动器，STARE和CHASE数据库。结果表明，我们的模型在准确性，灵敏度，特异性，ROC曲线下面积和最高预测速度方面显着优于现有方法。我们的工作提供了证据的权力广泛和深入的神经网络在视网膜血管分割任务，可以应用于其他医学图像的任务。
2018-04-11 cs.CV cs.LG stat.ML
Deformable Convolution Module with Globally Learned Relative Offsets for Fundus Vessel Segmentation
New York University（纽约大学）；The University of Sydney（悉尼大学）；China University of Political Science and Law（中国政法大学）
本文提出一种通过注意力与前馈网络全局学习相对偏移的即插即用可变形卷积模块，并构建 GDCUnet 用于眼底血管分割，在公开数据集上达到最先进性能。
2025-07-27 cs.CV
Automated retinal vessel segmentation based on morphological preprocessing and 2D-Gabor wavelets
视网膜图像中血管图的自动分割在不同眼部疾病的诊断过程中具有潜在的益处。在本文中，我们提出了一种新的无监督的视网膜血管分割方法，使用顶帽变换，对比度有限的自适应直方图均衡（CLAHE），和2-D Gabor小波滤波器。最初，视网膜图像预处理使用顶帽形态变换，然后CLAHE，以提高只有血管像素的渗出物，视盘，和中央凹的存在。然后，多尺度的2-D Gabor小波滤波器应用于预处理后的图像，以更好地表示位于不同方向的厚和薄的血管。公开可用的DRIVE数据库与手动标记的图像所提出的算法的有效性进行评估。在DRIVE数据库上，我们实现了94.32%的平均准确率，标准差为0.004。与主要算法相比，我们的算法产生更好的性能，关于准确性，灵敏度和Kappa协议。
2019-08-12 cs.CV eess.IV
Evaluation of Blood Vessel Segmentation Methods on Hard-to-Detect Vascular Structures
Federal University of São Carlos（圣卡洛斯联邦大学）
研究评估血管分割方法在难检测血管结构上的性能，定义LVS指数量化难度，引入mLSR评估算法恢复难检测血管的效果，提出基于LVS指数的数据增强程序，为设计更优分割算法提供定量基础。
2026-07-28 cs.CV cs.LG
Retrieving challenging vessel connections in retinal images by line co-occurrence statistics
Eindhoven University of Technology（埃因霍温理工大学）；Northeastern University（东北大学）
自然图像通常包含曲线结构，这些结构可能是断开的或部分被遮挡的。恢复断开结构的丢失连接是一个开放的问题，需要适当的几何推理。我们建议从视网膜图像中的血管中心线找到线共现统计，并显示其显着的相似性，一个著名的概率模型的连接模式在初级视觉皮层。此外，概率模型通过统计学从数据中训练，并用于以基于谱聚类的方法对中断的船舶进行自动分组。几个具有挑战性的图像补丁周围的交界点，其中成功的结果表明，完美的匹配的训练模型的视网膜图像中的血管的轮廓进行了研究。此外，从不同数据集获得的几个统计模型之间的比较揭示了它们的高度相似性，即，它们独立于数据集。在此基础上，找到了概率模型在投影线束上的对称化扩展的统计模型的最佳近似，其最小平方误差小于2%。显然，投影线束上的方向过程是视网膜图像中血管的良好延拓模型。
2016-10-20 cs.CV
Computer vision for liquid samples in hospitals and medical labs using hierarchical image segmentation and relations prediction
Vector Institute（矢量研究所）；University of Toronto（多伦多大学）；CIFAR（加拿大高等研究院）
这项工作探讨了使用计算机视觉的图像分割和分类的医疗液体样品在透明容器（例如，管，注射器，输液袋）。处理液体，如输液，血液和尿液样本是医学实验室和医院工作的重要组成部分。从图像中准确识别和分割液体和包含它们的容器的能力可以帮助自动化这些过程。现代计算机视觉通常涉及在大型注释图像数据集上训练深度神经网络。这项工作提出了一个新的数据集，包含1,300个医学样本的注释图像，涉及含有液体和固体材料的容器。用液体的类型（例如，血液，尿液），材料的相（例如，液体、固体、泡沫、悬浮液），容器的类型（例如，注射器、管、杯、输液瓶/袋）和容器的性质（透明、不透明）。此外，还对软木塞、标签、钉和瓣膜等血管部件进行了注释。容器和材质之间的关系和层次也会被注释，例如哪个容器包含哪个材质，或者哪个容器相互链接或包含。在数据集上训练三个神经网络：一个网络学习检测血管，第二个网络检测每个血管内的材料和部件，第三个网络识别血管之间的关系和连接。
2021-05-04 cs.CV
A Geometric Algorithm for Blood Vessel Reconstruction from Skeletal Representation
Peng Cheng Laboratory（鹏城实验室）
本文提出一种基于骨骼表示的血管重建方法，通过体素哈希方式将管状形状表示为截断符号距离函数，无需分割输入结构，提高了重建效率和优雅性。
2026-04-09 cs.CG cs.CV
Deep Learning Based Estimation of Blood Glucose Levels from Multidirectional Scleral Blood Vessel Imaging
Changsha Aier Eye Hospital（长沙艾尔眼科医院）；Aier Eye Hospital Group Co., Ltd（艾尔眼科医院集团有限公司）；Central South University AIER Eye Institute of Ophthalmology（中南大学AIER眼科院眼科研究所）；Central South University（中南大学）；German Research Center for Artificial Intelligence（德国人工智能研究中心）
本文提出ScleraGluNet框架，利用多视角学习从多方向角膜血管图像实现代谢状态分类和血浆葡萄糖连续估计，实验显示模型在准确率和估计精度上均表现优异。
2026-03-13 cs.CV eess.IV
Automated Localization of Blood Vessels in Retinal Images
Chamran University of Ahvaz（阿瓦士查姆兰大学）
本文分析了两种自动视网膜血管定位方法，通过分别基于K-Means分割和正则化过程降低明亮病灶影响，并利用多尺度线算子定位血管结构、忽略暗淡病灶，在DRIVE和STARE数据集上表现出与现有先进方案高度可比的性能。
2023-10-22 cs.AI cs.CV eess.IV
A Deep Learning Approach to Automate High-Resolution Blood Vessel Reconstruction on Computerized Tomography Images With or Without the Use of Contrast Agent
University of Oxford（牛津大学）
从计算机断层摄影（CT）血管造影片重建血管结构的现有方法依赖于静脉内造影剂的注射以增强血管腔内的放射密度。然而，病理变化可能存在于血管腔、血管壁或两者的组合中，这会妨碍准确的重建。在主动脉瘤性疾病的例子中，70-80%的病例中存在扩张的动脉瘤囊内粘附于主动脉壁的血块或血栓。这些变形阻止了通过当前方法自动提取重要的临床相关信息。在这项研究中，我们实现了一个修改后的U-Net架构与注意力门控建立一个高通量和自动分割管道的病理血管在CT图像采集与使用或不使用造影剂。在正在进行的牛津腹主动脉瘤（OxAAA）研究中，随机选择了26例具有成对非造影和造影增强CT图像的患者，手动注释并用于模型训练和评价（13/13）。实施数据增强方法以使训练数据集以10：1的比例多样化。我们的基于注意力的U形网在从CT血管造影（CTA）中提取主动脉瘤的内腔和外壁方面的性能与通用3-D U形网进行了比较，并显示了优越的结果。随后在对比增强CTA和非对比CT图像的主动脉分割管道内实施该网络架构，可以准确有效地提取整个主动脉体积。该提取的体积可用于标准化目前的肿瘤疾病管理方法，并为随后的复杂几何和形态分析奠定基础。此外，所提出的管道可以扩展到其他血管病变。
2020-02-09 cs.CV eess.IV physics.med-ph
