May, 2017

解剖限制神经网络 (ACNN)：心脏图像增强和分割应用

PDF
TL;DR提出了一种新的训练策略，通过学习有关器官形状和位置的先验知识，将其应用于 CNN 中，以改善图像分析方法的性能，改进了 CNN 的分割效果，成功将其应用于心脏数据集并探讨了其在分类心脏病理学方面的应用。
organ shapeimage analysiscnn segmentationanatomical priorcardiac datasets
发现论文，激发创造
  • 卷积网络中的解剖先验用于无监督生物医学分割

    本文介绍了一种基于未配对分割影像的解剖学先验知识用于生物医学影像分割的生成概率模型，并通过卷积神经网络进行无监督训练来实现快速解剖学分割。在结构性脑磁共振成像分割的实验分析中，作者证明了运用解剖学先验能够有效提高卷积神经网络在体内结构分割中的性能，并在一些无标记的临床问题中为医疗成像技术提供了新的思路。

    Mar, 2019

  • 基于深度卷积神经网络的医疗图像的解剖分类

    本研究提供了一种使用卷积神经网络（ConvNets）进行 CT 医学图像的器官或身体部位特异性解剖分类的方法，并演示了深度学习可用于训练非常可靠和准确的分类器，可进一步初始化计算机辅助诊断。

    Apr, 2015

  • 预训练神经网络能否检测解剖学？

    通过预训练和数据增广，使用卷积神经网络进行医学影像诊断，开发出一种检测人体解剖结构的系统。

    Dec, 2015

  • 具有先前知識的神經網路用於部分監督的多器官分割

    本文提出了先验知识神经网络 (PaNN) 方法来解决多器官 CT 分割中部分标记数据集的背景模糊问题，PaNN 应用了解剖先验知识指导训练。在 MICCAI2015 挑战中，PaNN 模型取得了 84.97% 的平均 Dice 分数，超过之前的最优结果 3.27%。

    Apr, 2019

  • AIC-UNet：基于解剖信息的级联 UNet 用于鲁棒的多器官分割

    通过使用可学习的解剖先验条件模型预测，将解剖学特征融入现有的编码 - 解码分割模型中，以建立一个强大的多器官分割模型。

    Mar, 2024

  • 用于白质高信号区分割的位置敏感深度卷积神经网络

    本文研究了使用多尺度网络和显式的位置特征在卷积神经网络中，以将解剖结构位置信息与医学图像分析相整合，提高自动分割的准确性，实验结果表明，加入位置信息的网络与手工特征或不加入位置信息的网络相比较，取得了更好的结果。

    Oct, 2016

  • 基于解剖位置预测的自监督学习用于心脏 MR 图像分割

    本文提出了一种基于自监督学习的心脏磁共振图像分割方法，通过预测解剖位置作为监督信号来学习特征，避免了手动标注数据的高成本问题，同时获得了比从零开始训练的 U-net 更好或可比的分割准确度。

    Jul, 2019

  • 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

  • 基于图卷积网络实现稳健的心脏分割

    使用图卷积神经网络的图结构消除心脏结构分割的解剖错误，实时预测结构轮廓点，并提出使用 U-Net 和图网络的模型间一致性作为输入和分割质量的预测指标。

    Oct, 2023

  • 基于约束的卷积神经网络弱监督分割

    我们提出了一个名为约束卷积神经网络的方法，它使用一种新的损失函数来优化 CNN 模型输出空间上任何一组线性约束条件，并且通过大量实验得出该方法在弱监督语义图像分割任务中表现出卓越的效果。

    Jun, 2015