Jun, 2018

基于 3D 上下文增强的基于区域的卷积神经网络用于端到端病变检测

PDF
TL;DR3D context enhanced region-based CNN (3DCE) is proposed for lesion detection from computed tomography (CT) scans, which efficiently incorporates 3D context information by aggregating feature maps of 2D images and is proven effective through experiments on the DeepLesion dataset.
发现论文，激发创造
  • 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

  • CE-Net：用于 2D 医学图像分割的上下文编码器网络

    本文提出了一种上下文编码网络（CE-Net），用于 2D 医学图像分割，其中包含特征编码器模块、上下文提取器和特征解码器模块，使用预训练的 ResNet 块作为特征提取器，并应用于不同的 2D 医学图像分割任务中，结果表明，所提出的方法在不同医学图像分割任务中性能优于原始 U-Net 方法和其他最新方法。

    Mar, 2019

  • 基于多尺度 3D 卷积神经网络和完全连接条件随机场的高效脑部病变分割

    本文介绍了一种分割脑损伤的新方法，主要采用 3D 卷积神经网络，同时处理不同尺度的图像，通过实验证明具有更好的性能。

    Mar, 2016

  • 由训练于 2D 网络的模型，基于转移学习实现的用于低剂量 CT 的三维卷积编码解码网络

    本文介绍在 GAN 框架中，基于 CPCE 网络的 2D 和 3D 构型进行低剂量 CT 去噪。通过 2D 到 3D 的迁移学习，将已训练过的 2D CNN 扩展为初始的 3D CPCE 去噪模型，提高了去噪性能和收敛速度，并在实际数据中证明了比其他方法更好的性能。

    Feb, 2018

  • 基于三维深度卷积神经网络的自动肺结节检测

    本文提出了一种新颖的三维卷积神经网络方法，采用对象检测以及 false positive reduction 等方式来识别计算机断层扫描图像中的肺结节，该方法在 Alibaba's 2017 TianChi AI 大赛中获得了第一名。

    Mar, 2019

  • 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

  • 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

  • 使用深度学习的检测辅助肝部病变分割

    本文使用卷积神经网络从计算机断层扫描中分割肝脏及其损伤部位，并通过检测器本地化损伤，提高了分割网络的准确性。

    Nov, 2017

  • 基于密集连接 3D 卷积神经网络的 MRI 肿瘤分割

    本研究提出了基于 3D CNN 的新型分割网络对 Glioma 进行自动分割，该方法利用 MRI 数据帮助病灶分割，分类准确率较高，是一种有效和高效的病灶分割方法，可以帮助研究和评估 Glioma 的治疗效果。

    Jan, 2018

  • MRI 实时脑肿瘤分割的 3D 扩张多纤网络

    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