Dr-SAM: An End-to-End Framework for Vascular Segmentation, Diameter Estimation, and Anomaly Detection on Angiography Images

近年来，人工智能的发展显著改变了医学影像学，特别是在血管造影方面，提高了诊断精度和患者护理水平。然而，现有研究在分析主动脉和髂动脉方面存在局限性，尤其是在血管异常检测和表征方面。为了弥补这一空白，我们提出了Dr-SAM，这是一个全面的多阶段框架，用于血管分割、直径估计和异常分析，旨在通过血管造影图像检查外周血管。对于分割，我们引入了一种定制的正/负点选择机制，应用于Segment Anything Model（SAM）之上，专门用于医学（血管造影）图像。然后，我们提出了一种形态学方法来确定血管直径，接着是我们基于直方图的异常检测方法。此外，我们还引入了一个新的基准数据集，用于全面分析外周血管血管造影图像，希望能够促进这个方向的未来研究，提高诊断精度，最终为面临血管问题的个体带来更好的健康结果。

本论文旨在通过提出Dr-SAM框架，解决现有研究在分析主动脉和髂动脉方面的局限性，特别是在血管异常检测和表征方面。

Dr-SAM框架包括多个阶段，用于血管分割、直径估计和异常分析。其中，血管分割采用定制的正/负点选择机制，基于Segment Anything Model（SAM）进行实现，特别适用于医学（血管造影）图像。然后，通过形态学方法确定血管直径，接着采用基于直方图的异常检测方法进行分析。

论文提出了一个新的多阶段框架，用于分析外周血管造影图像。此外，还引入了一个新的基准数据集，以促进这个方向的研究，并带来更好的健康结果。实验使用了自己构建的数据集，并展示了Dr-SAM在血管分割、直径估计和异常分析方面的高效性。

最近的相关研究包括：1）基于深度学习的血管分割方法；2）基于形态学的血管分割方法；3）基于直方图的异常检测方法。其中，与本文最相关的研究包括《A review of vessel extraction techniques and algorithms from medical images》和《A novel vessel segmentation algorithm for pathological retinal images》。