Dec, 2019

CT 扫描中管状结构分割的深度距离变换

PDF
TL;DR提出了一种基于 Deep Distance Transform (DDT) 的几何感知管状结构分割方法，通过结合经典距离变换与现代深度学习分割网络，从学习到的距离图与分割掩模形态先验信息相结合，有效提高管状结构分割性能，同时提供了管状结构的几何测量数据，对临床诊断具有重要意义。
tubular structuremedical imagesdeep distance transformsegmentationgeometry-aware
发现论文，激发创造
  • 骨架感知距离变换的结构保持实例分割

    提出了一种骨架感知的距离变换方法（SDT），其通过将对象骨架和距离变换相结合，以表示具有任意结构的实例，实验证明 SDT 在组织病理学图像分割中实现了最先进的性能。

    Oct, 2023

  • 基于拓扑几何约束的动态蛇卷积用于管状结构分割

    该论文提出一种 DSCNet 模型，通过使用动态蛇卷积、多视图特征融合与连续性约束函数来实现对拓扑管状结构进行精确分割的目标，并在 2D 和 3D 数据集上进行了验证与实验。

    Jul, 2023

  • 从骨架表示进行管状形状重建的几何算法

    提出了一种新的方法来从骨架表示中重建管状形状，通过将管状形状表示为截断的有符号距离函数（TSDF）以体素哈希的方式处理所有骨架点作为一个整体，从而消除了将输入结构分割成多个部分的需要。与其他方法相比，我们的方法不涉及任何表面采样方案或解决大型矩阵方程，因此是管状形状重建的更快且更优雅的解决方案。实验证明了所提方法的高效性和有效性。可在此 https URL 找到代码。

    Feb, 2024

  • 使用离散 Morse 理论的拓扑感知分割

    本文提出了一种新的深度图像分割网络训练方法，利用离散 Morse 理论和全局结构识别技术，设计了一种新的损失函数，改善了特定位置如连接和膜的拓扑挑战等问题，实现了优异的 DICE 分数和拓扑测量结果。

    Mar, 2021

  • 拓扑感知图像分割的不确定性

    本文利用拓扑数据分析的工具，提出了一种通过预测模型估计人工标注结构的不确定性的方法，该方法可以提高结构图的准确度并减少标注时间。

    Jun, 2023

  • 利用定制样本的迭代训练对管状结构进行分割

    我们提出了一种最小路径方法，用于同时计算具有线拓扑的管状结构的分割掩模并提取中心线。该方法通过引入一种新颖的迭代训练方案，使得能够生成更好的针对最小路径方法的训练样本，而不需改变现有的标注，从而解决了由于使用 CNN 的方法所生成的训练样本与推理时遇到的样本之间可能存在的差异。我们的方法在分割掩模和中心线方面取得了最先进的结果，并且仅需要非常少量的标注训练图像。

    Sep, 2023

  • 利用卷积神经网络和 Transformer 评估肾脏层分割的全幻灯图像

    这篇论文评估了深度学习方法在肾脏层结构分割上的可行性，研究采用了代表性的卷积神经网络和 Transformer 分割方法，并在小鼠肾脏癌症 WSIs 上定量评估了六个深度学习模型，结果显示 Transformer 模型通常优于基于 CNN 的模型。

    Sep, 2023

  • 骨架召回损失用于细管状结构连通性保持和资源高效分割

    提出了一种新的骨架召回损失，通过绕过昂贵的 GPU 计算，采用廉价的 CPU 操作，解决了薄结构分割中的计算和内存负担问题，并在保持拓扑性方面表现出卓越性能。

    Apr, 2024

  • 基于时间距离视觉变换器的纵向计算机断层扫描在肺癌诊断中的应用

    通过两种时间距离视觉变换器的解释，本研究对广泛的长期医学影像进行了创新性的分类，并在 CT 肺筛查研究中取得了成功，优于横截面方法。

    Sep, 2022

  • DDT: 双分支变形 Transformer 图像去噪

    本文提出了一种高效的 Dual-branch Deformable Transformer (DT) 去噪网络，在局部和全局分支中均应用了可变形关注机制，能够更好地捕捉图像中的局部和全局交互，并能显著减少计算成本，取得了在真实世界和合成去噪任务方面的最先进性能。

    Apr, 2023