本文回顾了 3D CNN 在医学图像分析中的应用历史及数学描述，并总结了不同领域中 3D CNN 的研究成果，如分类、分割、检测和定位，同时讨论了医学成像领域（以及深度学习模型的使用）中面临的挑战和未来趋势。

Apr, 2020

本文提出了一种基于 3D 全卷积神经网络模型并利用预定义的高斯差分滤波器进行真正的 3D 卷积来学习 3D 肿瘤 MRI 数据的新方法，该方法能够识别 MRI 上的高级肿瘤结构，具有比现有方法更好的性能。

Nov, 2016

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

本文研究使用单个卷积神经网络对不同成像模式下的医学图像进行分割的方法，实验结果表明这种方法在不同任务中具有相当的分割性能，证明了卷积神经网络结构的高容量性。因此，可以在医学实践中使用单个系统进行自动分割任务，而无需进行任务特定的训练。

Apr, 2017

提出了一种基于卷积神经网络的肿瘤分割方法，采用多种序列图像，结合 2D 和 3D 上下文，通过级联 2D-3D、子网络处理缺失图像序列等策略提高了效率，在 BRATS 2017 竞赛中良好表现，可用于各种分割任务。

Jul, 2018

该论文提出了一种新的基于深度学习的 3D 医学图像分割方法，该方法采用了全卷积神经网络和递归神经网络相结合的方式，能够充分利用体像素在不同维度上的相关性以提高分割性能。

Sep, 2016

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

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

该论文提出了一种基于深度神经网络的全自动脑肿瘤分割方法，利用卷积神经网络对肿瘤进行分析和识别从而改善传统方法的效能，得出的结果比现有的最优方法提升了 30 倍以上。

May, 2015

本研究针对 MRI 中的次皮质脑结构分割，提出了一种 3D 全卷积神经网络。通过采用小核允许更深层次的架构，将中间层输出嵌入到最终预测中，提高了特征提取的一致性和细粒度信息的准确性。在两个公开数据集上的实验表明，该方法在大规模神经解剖学成像研究中具有很强的鲁棒性和高效性。

Dec, 2016