通过预测符号距离图进行形状感知的器官分割

AAAIDec, 2019

通过预测符号距离图进行形状感知的器官分割

Shape-Aware Organ Segmentation by Predicting Signed Distance Maps

Yuan Xue, Hui Tang, Zhi Qiao, Guanzhong Gong, Yong Yin...

TL;DR该研究使用 Signed Distance Map 直接从医学扫描中学习目标器官的形态，实现了更好的器官分割性能和更好的平滑度。通过同时预测 SDM 和分割地图，该方法将传统分割训练信息的补充信息引入，验证表明其比现有技术提高了 5% 以上的 Dice 系数并产生了更平滑的分割结果。

Abstract

In this work, we propose to resolve the issue existing in current deep learning based organ segmentation systems that they often produce results that do not capture the overall shape of the target organ and often lack s

deep learning organ segmentation signed distance map medical scans smoothness

发现论文，激发创造

医学图像的形状感知半监督三维语义分割

本研究提出新型的半监督学习策略来提高医学图像分割的形状估计性能，该方法采用多任务深度网络来同时预测语义分割和物体表面有符号距离图，并通过敌对损失来有效地捕捉形态感知特征.

Jul, 2020

DCSM 2.0：深度条件形状模型用于高效数据分割

使用深度条件形状模型 2.0，结合边缘检测器和基于边缘图的隐式形状函数，在低数据环境中实现医学图像分割的高效率，从而提高数据利用率并取得了比基准方法更好的性能。

Jun, 2024

深度条件形状模型用于 3D 心脏图像分割

利用深度条件形状模型作为核心组件的新型分割算法，通过深度隐式形状表示学习一个可以为任何感兴趣解剖学生成有符号距离函数的模态不可知形状模型，然后通过解剖标志物对生成的形状进行拟合到图像上，并添加模态依赖的轻量级细化网络以捕捉隐式函数未表示的任何细节，该框架在多种 3D 模态下的心脏左室分割问题上进行评估，自动化的 DCSM 在非对比度 CT 上表现优于基准结果，在对比度 CT 和 3DE 上添加细化后性能得到显著改善，而用户输入标志物的半自动化 DCSM 在全部模态下的 Dice 指数均超过 92%。

Oct, 2023

多器官分割的形状感知补充任务学习

本研究旨在基于器官特异性形态先验学习的角度来解决全身 CT 扫描中的多器官分割问题，提出了两项互补任务 —— 距离图回归和轮廓图检测 —— 以明确编码每个器官的几何特性，并在公共数据集上评估所提出的解决方案，对比实验结果表明，互补任务学习的加入在 Dice 评分方面达到了显著改进.

Aug, 2019

心脏模型的形状：基于学习到的符号距离函数

通过三维深度有限函数和立体雅可比技术，我们可以高效地重建患者特异性的心脏解剖模型，从而在其他医学成像领域中具有广泛应用。

Aug, 2023

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

用于高效网格分割的神经形状直径函数

该论文提出了一种数据驱动的方法，利用深度学习编码映射函数进行网格分割，该方法利用顶点邻域之间的相似性重建邻域映射，并将预测的 SDF 值注入到图割算法中，从而大幅度降低计算时间。

Jun, 2023

针对导管和导丝分割的形状敏感损失

我们引入了一种对导管和导丝进行形状敏感的损失函数，并将其应用于视觉转换网络中，在大规模 X 射线图像数据集上取得了最新的研究成果。我们将网络预测和相应的真值转换为有符号距离图，从而使任何网络能够集中精力处理关键的边界而不仅限于整体轮廓。通过计算这些特征向量之间的余弦相似度，我们对图像相似性有了更细致的理解，超越了传统基于重叠度的测量方法的局限。我们的方法具有许多优势，包括尺度和平移不变性，以及对微小差异的较好检测，从而确保图像中医疗仪器的准确定位和描述。全面的定量和定性分析证实了相比现有基准的显著性能提升，展示了我们新的形状敏感损失函数在改善导管和导丝分割方面的潜力。

Nov, 2023

语义分割的距离图损失惩罚项

本文提出了一种新的距离图生成损失项来辅助卷积神经网络在医学图像分割中选择难以分割区域，经实验证明此项可以显著提高分割质量、更好地保存骨骼边界形状特征，有望用于提取形态学生物标志物，并得出定量评估指标。

Aug, 2019

SiNGR：通过有符号归一化测地线变换回归进行脑肿瘤分割

脑肿瘤分割研究中存在一个主要挑战，即接近肿瘤边界的体素的不确定性。然而，常规生成标准分割掩模的过程未能正确处理这种不确定性。这种由 0 和 1 组成的 “硬标签” 在概念上影响了大多数以脑图像分割为研究对象的先前研究。因此，通常通过体素分类来解决肿瘤分割问题。本研究将此问题视为体素级回归问题，其中标准分割掩模表示了基于距离肿瘤边界的任何像素的确定性映射。我们提出了一种新的标准标签变换方法，该方法基于有符号测地线变换，以捕获脑肿瘤区附近的不确定性，同时保持正负样本之间的边界。我们将这一想法与一种 Focal-like 回归 L1 损失结合起来，通过适当地给予体素权重来在高维输出空间中实现有效的回归学习。我们进行了充分的实验评估来验证我们提出的方法的组成部分，并与各种最先进的分割模型进行比较，结果显示它不依赖于架构。我们的方法的代码已公开提供（https://github.com/Oulu-IMEDS/SiNGR/）。

May, 2024