3D 生物医学分割的联合序列学习和跨模态卷积

CVPRApr, 2017

3D 生物医学分割的联合序列学习和跨模态卷积

Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation

Kuan-Lun Tseng, Yen-Liang Lin, Winston Hsu, Chung-Yang Huang

TL;DR本文提出了一个基于深度神经网络的编码器 - 解码器结构，包含跨模态卷积层以整合不同模态的 MRI 数据和卷积 LSTM 以建模 2D 切片序列，通过加权和两阶段训练来处理标签失衡，并在 BRATS-2015 数据集上实验表明超越了现有的生物医学分割方法。

Abstract

deep learning models such as convolutional neural net- work have been widely used in 3d biomedical segmentation and achieve state-of-the-art performance. However, most of them often adapt a single modality or sta

deep learning 3d biomedical segmentation multimodal mri data convolutional lstm label imbalance

发现论文，激发创造

将完全卷积和循环神经网络相结合进行三维生物医学图像分割

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

多模态医学图像的多任务深度学习分割

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

使用远程 2D 上下文的 3D 卷积神经网络进行肿瘤分割

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

深度学习中的医学图像分割实现跨维度迁移学习

本论文介绍了一种将自然图像上训练的 2D 分类网络的效率转移到 2D、3D 单模态和多模态医学图像分割应用中的高效方法，该方法基于权重转移和维度转移的两个关键原则，实验证明其在多维医学图像分割方面表现出色。

Jul, 2023

基于 CNN 的医学图像分割

通过使用三维卷积神经网络结构以及针对标注数据稀少、标注实例失衡和三维医学图像处理困难等问题进行改进与优化，本论文应用于医学图像分割领域，实现了在手部和脑部 MRI 图像上的分割与验证。

Jan, 2017

基于多模态卷积神经网络的医学图像分割：图像融合方案研究

本文提出了在监督医学图像分析中进行图像融合方案的概念架构，实现了基于卷积神经网络的三种图像融合方案，并将其结合成单个框架，用于同时分析多模式图像，检测软组织肉瘤的存在，并发现在特征级别融合的情况下，性能最好，但当任何图像模式存在大误差时，其鲁棒性会降低。

Oct, 2017

三维卷积神经网络用于胶质母细胞瘤分割

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

并行多维 LSTM 及其在快速生物医学体积图像分割中的应用

本文提出了一种用于图像分割的 PyraMiD-LSTM 模型，相较 Convolutional Neural Networks 和 Multi-Dimensional Recurrent NNs 具有更好的数据并行化的能力，并在 MRBrainS13 中实现了最佳像素级别的脑影像分割结果。

Jun, 2015

基于互模态重构和特征投影网络的自监督学习用于高效标签 3D 到 2D 分割

本研究提出一种卷积神经网络和自监督学习的方法，用于在有限标记数据情况下进行高效的三维到二维分割，通过在临床相关任务中验证，证明该方法比现有技术在有限标记数据情况下显著提升了分割性能，并且自监督学习方法可以进一步提高性能，而且对于网络架构无关。

Jul, 2023

DeepAtlas: 图像注册和分割的联合半监督学习

本文提出了一种基于深度学习的框架，联合学习图像配准和图像分割网络，在考虑到现有分割数据的情况下，同时提高分割和配准的准确性，并利用配准产生的数据增强对分割网络进行训练，实现在有限的训练数据集上训练高质量的模型。在膝盖和脑部 MRI 图像上，与以往研究相比，我们的方法具有更高的分割和配准准确度，且只需用一张标记图像就可实现 2.7% 和 1.8% 的 Dice 分数提升。

Apr, 2019