MRI 分类的 3D 可变形卷积

ICMLNov, 2019

3D Deformable Convolutions for MRI classification

Marina Pominova, Ekaterina Kondrateva, Maksim Sharaev, Sergey Pavlov, Alexander Bernstein...

TL;DR通过使用三维可变形卷积神经网络层（d-convolutions）对未经处理的三维磁共振成像进行分类，本研究表明三维可变形卷积优于标准卷积，具有对数据几何特性的鲁棒性，而首次提出的 dVoxResNet 结构在 MRI 数据分类中表现出很高的潜力。

Abstract

deep learning convolutional neural networks have proved to be a powerful tool for mri analysis. In current work, we explore the potential

deep learning convolutional neural networks mri analysis 3d deformable convolutions mri data classification

发现论文，激发创造

3D 脑 MRI 分类的残差和普通卷积神经网络

该研究利用深度学习算法进行神经成像数据处理，提出利用残差和 3D 卷积神经网络架构实现自动特征生成和更简单的分析，最终在 3D 结构 MRI 脑部扫描中对阿尔茨海默病与轻度认知障碍和正常对照的分类取得了可比的效果。

Jan, 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

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

DeformUX-Net：带有深度可变卷积的医学图像分割 3D 基础骨干的探索

本文介绍了 3D DeformUX-Net，一种创新的体积卷积神经网络模型，它灵活地处理了传统上与 ViTs 和大内核卷积相关的缺点，并且在四个具有挑战性的公共数据集上持续优于现有的最先进的 ViTs 和大内核卷积模型。

Sep, 2023

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

SurfNet：使用深度残差网络生成三维形状表面

利用几何图像的形式通过卷积神经网络，直接生成三维形状表面，实现形状表面的插值、发明以及从未看见的图像中恢复三维形状表面等功能。

Mar, 2017

3D MRI 图像动态图像用于阿尔茨海默病分类

本文介绍一种使用 2D CNN 架构对 3D MRI 图像进行阿尔茨海默病分类的方法，使用近似排名池化将 3D MRI 图像转换为 2D 图像进行分类，实验结果表明，相对基线 3D 模型，我们提出的 CNN 模型在阿尔茨海默病分类上获得了更好的准确度，并且训练时间仅需 3D CNN 模型的 20%。

Nov, 2020

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

可变形卷积神经网络

本文证明卷积神经网络的固定几何结构导致其在几何变换方面受限，从而引入了两个新模块增强 CNNs 的变换建模能力。这两个模块是可变形卷积和可变形 RoI 池化。这些新的模块可以轻松替换现有 CNNs 中的普通模块，并且可以通过标准反向传播进行端到端训练，从而产生可变形卷积网络。广泛的实验证实了这种方法在物体检测和语义分割的复杂视觉任务上的有效性。

Mar, 2017

为视频物体分割提出三维卷积的论点

本文提出了一种基于 3D 全卷积神经网络的编码 - 解码网络结构，将其应用于视频中的显著对象分割。尝试使用全 3D 卷积来处理外观和运动信息从而实现密集视频预测，并通过 3D 全局卷积层和 3D 细化模块进行编码和解码操作。作者将其应用于 DAVIS'16 无监督，FBMS 和 ViSal 数据集基准测试中，结果表明其效果优于现有状态艺术，同时速度更快，能够高效地学习空间 - 时间特征并产生高质量的视频分割掩码。

Aug, 2020