多光子显微镜血管成像的深度学习卷积神经网络分割

Jun, 2016

多光子显微镜血管成像的深度学习卷积神经网络分割

Deep Learning Convolutional Networks for Multiphoton Microscopy Vasculature Segmentation

Petteri Teikari, Marc Santos, Charissa Poon, Kullervo Hynynen

TL;DR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。

Abstract

Recently there has been an increasing trend to use deep learning frameworks for both 2D consumer images and for 3D medical images. However, there has been little effort to use deep frameworks for volumetric vascular seg

deep learning volumetric vascular segmentation convnet microscopy stacks dataset

发现论文，激发创造

一种用于体积医学图像分割的 3D 粗 - 细框架

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

DeepVesselNet: 三维血管造影体积中的血管分割、中心线预测和分叉点检测

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

时空超声定位显微镜的深度学习框架

通过深度学习中的三维卷积神经网络，从具有高泡沫浓度的超声数据中恢复密集的血管网络。

Oct, 2023

基于超级图像的分割: 3D 医学图像分析中的新 2D 视角

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

三维荧光显微镜图像合成和分割

本研究提出了一种使用合成 3D 体积进行深度学习核分割的方法，通过空间约束的对抗网络生成一组合成 3D 体积和相应的地面真实数据集，对各种数据集成功地完成了核分割任务。

Jan, 2018

V-NAS：体积医学图像分割的神经结构搜索

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

V-Net: 用于体积医学影像分割的全卷积神经网络

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

基于体积融合网络的二维和三维器官分割之间的连接

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

密集体积到体积的血管边界检测

介绍了一种叫做 I2I-3D 的 3D 卷积神经网络体系结构，用于在体积数据中预测边界位置，并且经过实验证明，该深度学习方法优于结构森林 3D 和 HED 等方法，适用于医疗数据的边界检测，同时能够捕捉到细微的结构。

May, 2016

深度学习医学图像分割

通过对 ADNI 海马 MRI 数据集进行分割实验，比较了不同的三维海马分割卷积架构的有效性和效率，结果表明，与简单的二维块相比，稍微非传统的 “堆叠的 2D” 方法提供了更好的分类性能，并且不需要额外的计算能力。同样我们也测试了一种流行的 “三平面” 方法，发现它提供了比 2D 方法更好的结果，但需要适度增加计算能力的要求。最后，我们评估了完整的三维卷积体系结构，并发现它提供了比三平面方法略好的结果，但代价是需要非常大的计算能力要求。

May, 2015