密集体积到体积的血管边界检测
本文提出了一种基于全卷积神经网络的三维图像分割方法,通过优化 Dice 系数的目标函数,应对前景和背景体素数量极不平衡的情况,并通过数据增强技术提高数据样本的数量和多样性,实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。
Jun, 2016
DeepVesselNet 是一种适用于血管图像分割的网络结构,主要使用 2D 十字卷积滤波器和合成数据集进行训练,能在降低计算复杂度的同时实现较高准确率。
Mar, 2018
本研究旨在为自由使用的 2 光子血管显微镜成像数据集提供一种深度学习框架,该框架基于 2D 和 3D 卷积滤波器 (ConvNet)。 这种 2D 和 3D 混合体构架的分割结果表明,这对于分割体积性血管成像是有很好的推广潜力的。
Jun, 2016
本研究采用 3D 卷积神经网络对容积式医学图像进行分割,并提出了一种新的 3D 粗到细的框架,该框架不仅有效而且高效可靠,与 2D 方法相比取得更好的效果,并在临床应用中得到了可靠性保证。
Dec, 2017
本研究提出了 DenseVoxNet,一种新的密集连接的三维卷积神经网络用于自动分割心脏和大血管结构。它具有最大化信息流、特征重用和辅助侧通道等三个优势,并在医疗应用中显著优于已有方法,达到更好的性能而参数更少。
Aug, 2017
为了解决 3D 卷积神经网络在医学影像识别中时间和计算效率低的问题,本文提出将体数据转化为 2D 超级图像,使用 2D 网络用于分割任务,具有实用价值和吸引更多相关研究的意义。
May, 2022
本文提出了一种名为 V-NAS 的网络结构搜索方法,它可以自动判断不同情况下选择 2D、3D 或 Pseudo-3D 卷积层,该方法在医学图像分割任务中很好地表现,在 3 个公共数据集上进行评估,分别为 NIH 胰腺数据集、来自医学分割十项全能挑战的肺和胰腺数据集, 无论是正常器官(NIH 胰腺)还是异常器官(MSD 肺肿瘤和 MSD 胰腺肿瘤),V-NAS 都明显优于其他先进技术,而且该搜索到的网络结构可以很好地推广到其他数据集中,并且具有鲁棒性和实用性。
Jun, 2019
本文提出了一种新颖的方法,利用 2D 网络对不同视角进行器官分割训练,并构建一个 3D 立体融合网络(VFN)来融合 2D 分割结果,VFN 相对较浅,包含的参数比大多数 3D 网络少,从而使得我们的框架更加高效,我们提出了一个名为交叉增强的新颖策略,最终在多个具有挑战性的腹部器官上验证了我们的框架在分割准确性和稳定性上优于现有的 2D 和 3D 方法。
Apr, 2018
本文介绍了一种高效的 3D 卷积神经网络,采用 3D multi-fiber unit 并使用 3D dilated convolutions 来构建多尺度特征表示,以达到实时密集体积分割的目的,并在 BraTS-2018 挑战数据集上的实验结果表明,该神经网络架构在高保真度的前提下大大降低了计算成本。
Apr, 2019