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

提出了 RapidVol：一种神经表示框架用于加快切片到体积的超声重建，并通过使用张量秩分解将典型的三维体积分解为三面板的集合，再用一个小型神经网络来存储，只需一组带有三维位置和方向（姿态）的二维超声扫描就可以进行完整的三维重建。与基于完全隐式表示的先前方法相比（如神经辐射场），我们的方法速度提高了 3 倍以上，准确性提高了 46%，而且在给出不准确的姿态时具有更强的鲁棒性。可以通过从结构先验而不是从头开始进行重建来进一步加快速度。

Apr, 2024

基于深度神经网络，本论文提出了一个训练于大量精心制作的合成数据上的模型，可以进行受限角度的断层投影重建，即便仅有 30° 或 40° 的正弦图像，取得了 2022 年赫尔辛基断层成像挑战赛的第一名。

Sep, 2023

本研究提出了一种简单的方法，使用 2D 网络和中间特征表示来处理 3D 数据，并使用特征减少模块进行分类，以解决在医学分类的基准测试和实际临床数据中训练成功受限的问题。

Jul, 2023

该研究论文通过使用更大的数据集和不同的模型结构，探索将正交 X 射线图像转换成模拟 CT 体积的方法，以解决 CT 扫描在辐射剂量和成本方面相对于 X 射线成像的问题。关键模型变化包括 UNet 架构、自定义连接、激活函数、损失函数、优化器和一种新颖的反投影方法。

Feb, 2024

本文阐述了一种针对 3D 医学图像数据分析时 2D CNNs 只能处理每个切片数据但丢失深度信息的问题进行的探索，提出了一些体积均一化方法，通过显著的不同性能提高，在 ImageCLEF 结核病严重性评估中实现了最高 73% 的曲线下面积（AUC）和 67.5% 的二元分类准确度 (ACC)。

Jul, 2020

使用生成对抗网络（GAN）框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加，从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估，并获得较好的成果。

May, 2019

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

通过引入内容和风格的解耦技术以及姿态注意力模块，利用 CT2X-GAN 方法，该研究提出了一种学习式的端到端合成 X 射线图像的方法，从而改善合成质量并使其更接近真实的 X 射线图像。

Apr, 2024

该研究探讨了一种简单直接的二维到三维图像转换方法，通过重复和连接二维视图生成高通道的三维模型，解决了现有方法在潜在空间中整合信息时丢失信号信息的问题，并通过神经最优传输实现了在多个视角上无需精确对齐即可整合信号信息，训练结果在多个数据集上得出了定性和定量一致的重建效果。

Jun, 2024