Sep, 2018

VoxSegNet：用于 3D 形状的语义部分分割的体积卷积神经网络

PDF
TL;DR本文提出了一种新颖的体积卷积神经网络，通过空间密集提取模块和注意力特征聚合模块从体素化三维数据中提取具有详细信息的判别特征，以实现具有语义一致性和高精度细节的分割任务，实验结果表明了在大规模数据集上进行形状部分分割任务时我们方法的有效性。
voxelconvolutional neural networkspatial dense extractionattention feature aggregationshape part segmentation
发现论文，激发创造
  • V-Net: 用于体积医学影像分割的全卷积神经网络

    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

  • 基于体素数据的三维网格模型生成

    本研究介绍了一种新的体系结构，可实现直接从三维图像体积转换为三维表面，无需后处理并具有比当前方法更好的准确性，证明其优于最先进的分割方法。

    Dec, 2019

  • VoxResNet: 用于体积脑分割的深度体素残差网络

    本文介绍了在体积数据上使用基于深度残差学习的深度卷积网络 VoxResNet 用于脑部图像分割的任务，同时提出了一种通过无缝集成低阶图像外观特征、隐式形状信息和高级上下文的自动上下文版本 VoxResNet 来进一步提高体积分割性能的方法，实验证明该方法在处理体积数据方面表现出色，揭示出 3D 深度学习在体积图像分割中的潜力。

    Aug, 2016

  • V-NAS：体积医学图像分割的神经结构搜索

    本文提出了一种名为 V-NAS 的网络结构搜索方法，它可以自动判断不同情况下选择 2D、3D 或 Pseudo-3D 卷积层，该方法在医学图像分割任务中很好地表现，在 3 个公共数据集上进行评估，分别为 NIH 胰腺数据集、来自医学分割十项全能挑战的肺和胰腺数据集， 无论是正常器官（NIH 胰腺）还是异常器官（MSD 肺肿瘤和 MSD 胰腺肿瘤），V-NAS 都明显优于其他先进技术，而且该搜索到的网络结构可以很好地推广到其他数据集中，并且具有鲁棒性和实用性。

    Jun, 2019

  • 基于超级图像的分割: 3D 医学图像分析中的新 2D 视角

    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

  • 多层次三维卷积神经网络学习多尺度空间特征

    本文提出了一种基于多层体素网格的端到端多级学习方法来解决现有 3D 目标识别中结构化和非结构化数据表示的缺陷，结果表明该方法在节约内存的同时能够实现与密集体素表示相当的目标识别性能。

    May, 2018

  • 3D ShapeNets：一种用于体积形状的深度表示

    使用卷积深度置信网络将几何 3D 形状表示为 3D 体素网格上的二元变量的概率分布，以实现物体识别和根据 2.5D 深度图形完成 3D 形状恢复等多个方面的任务，利用构建的大规模 3D CAD 模型数据集 - ModelNet 进行训练，可以在各种任务中显著提高性能。

    Jun, 2014

  • 关于 3D 卷积神经网络的紧凑性，效率和表示性：以脑区分为先验任务

    通过采用扩张卷积和残差连接等现代卷积神经网络的高效和灵活的元素，该研究提出了一种高分辨率、紧凑的卷积神经网络，用于分割体积图像，并证明了其比现有的体积分割网络更紧凑，能够对大规模图像数据进行 3D 表示的学习，应用于神经解剖学结构的分割。同时也展示了通过 dropout 实现体素级不确定性估计的可行性。

    Jul, 2017

  • 一种用于体积医学图像分割的 3D 粗 - 细框架

    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

  • VV-Net：带分组卷积的体素变分自编码神经网络用于点云分割

    本研究提出了一种基于变分自编码器和径向基函数的点云分割算法，并引入了具有对称性的卷积神经网络进行形状分割，实验表明，在 ShapeNet 和 S3DIS 数据集上，该方法的性能优于当前的主流算法。

    Nov, 2018