VoxResNet: 用于体积脑分割的深度体素残差网络

Aug, 2016

VoxResNet: 用于体积脑分割的深度体素残差网络

VoxResNet: Deep Voxelwise Residual Networks for Volumetric Brain Segmentation

Hao Chen, Qi Dou, Lequan Yu, Pheng-Ann Heng

TL;DR本文介绍了在体积数据上使用基于深度残差学习的深度卷积网络 VoxResNet 用于脑部图像分割的任务，同时提出了一种通过无缝集成低阶图像外观特征、隐式形状信息和高级上下文的自动上下文版本 VoxResNet 来进一步提高体积分割性能的方法，实验证明该方法在处理体积数据方面表现出色，揭示出 3D 深度学习在体积图像分割中的潜力。

Abstract

Recently deep residual learning with residual units for training very deep neural networks advanced the state-of-the-art performance on 2D image recognition tasks, e.g., object detection and segmentation. However, how to fully leverage contextual representations for recognition tasks f

deep residual learning volumetric brain segmentation auto-context voxresnet 3d deep learning

发现论文，激发创造

关于 3D 卷积神经网络的紧凑性，效率和表示性：以脑区分为先验任务

通过采用扩张卷积和残差连接等现代卷积神经网络的高效和灵活的元素，该研究提出了一种高分辨率、紧凑的卷积神经网络，用于分割体积图像，并证明了其比现有的体积分割网络更紧凑，能够对大规模图像数据进行 3D 表示的学习，应用于神经解剖学结构的分割。同时也展示了通过 dropout 实现体素级不确定性估计的可行性。

Jul, 2017

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

VoxSegNet：用于 3D 形状的语义部分分割的体积卷积神经网络

本文提出了一种新颖的体积卷积神经网络，通过空间密集提取模块和注意力特征聚合模块从体素化三维数据中提取具有详细信息的判别特征，以实现具有语义一致性和高精度细节的分割任务，实验结果表明了在大规模数据集上进行形状部分分割任务时我们方法的有效性。

Sep, 2018

基于切片间上下文残差学习的三维医学图像分割

我们提出了一种 3D 上下文残差网络（ConResNet）来更准确地分割 3D 医学图像，该模型包括编码器、分割解码器和上下文残差解码器，并在多个数据集上进行了验证，结果表明该模型比其他六个在脑肿瘤分割和其他七个在胰腺分割方面的方法更准确。

Nov, 2020

上下文嵌入学习用于增强三维图像分割的二维网络

该研究旨在通过上下文嵌入学习方法增强二维卷积神经网络以更好地进行三维图像分割，结果表明该方法能够有效利用层间上下文信息并提高分割性能。

Apr, 2024

基于密集连接体积卷积神经网络的自动三维心血管 MR 分割

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

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

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

使用非常深的全卷积网络进行高性能语义分割

本文提出了一种基于残差网络的高性能语义图像分割方法，并对不同变体的完全卷积残差网络进行了评估，进一步提出了用低分辨率网络模拟高分辨率网络的方法，引入了在线启动方法以及在一些残差块上应用的传统退化法，取得了在 PASCAL VOC 2012 数据集和 Cityscapes 上最好的平均重叠联合 75 的性能表现。

Apr, 2016

从单张深度图实现语义场景补全的视点网络

本文介绍了一种名为 VVNet 的卷积神经网络，可从单个深度图像中推断出体积三维场景的占用率和语义标签，VVNet 有效地降低了计算成本，提高了结果的准确性。

Jun, 2018