CVPRFeb, 2020

一种用于 4D 动态医学图像的时空体积插值网络

PDF
TL;DR介绍了用于 4D 动态医学图像的间隔时间体积插值网络 (SVIN)。SVIN 是利用三维卷积神经网络 (CNN) 进行无监督参数体积配准的空间 - 时间运动网络，并使用新的回归模块来表征功能器官结构中的周期运动循环。在实验结果中，SVIN 比最先进的医疗插值方法和自然视频插值方法表现更好，并且优于最先进的无监督医疗注册方法。
dynamic medical imagingspatiotemporal volumetric interpolation network3d convolutional neural networkunsupervised parametric volumetric registrationadaptive multi-scale architecture
发现论文，激发创造
  • 无中间帧的 4D 医学图像数据高效无监督插值

    提出了一个简单而有效的无监督体积插值框架（UVI-Net），用于在无中间帧的情况下实现时间插值，针对限制性数据可用性的情景，该方法在 4D 医学成像中表现出卓越的鲁棒性和效率。

    Apr, 2024

  • 无监督三维端到端医学图像配准与体积缓动网络

    该研究论文提出了一种新的无监督学习方法，使用卷积神经网络在端到端框架下进行三维医学图像配准，通过三个创新技术组件实现高性能，并且实验证明其在医学图像配准方面优于传统的基于优化的方法。

    Feb, 2019

  • CPT-Interp: 4D 医学影像插值的连续时空动态建模

    通过流体力学的灵感，我们提出了一种使用隐式神经表示连续建模患者解剖运动的新方法，有效地桥接了欧拉和拉格朗日规范，从而自然地促进了连续帧插值。

    May, 2024

  • 神经体积：从图像中学习动态可渲染的体积

    通过学习，我们提出了一种表示动态物体的方法，该方法由编码器 - 解码器网络和可微分的射线行进操作组成，它不需要明确重建或跟踪物体，使用了 3D 体积表示法，表现出更好的图像质量，为高分辨率应用提供了一种从表面到体积的方法

    Jun, 2019

  • 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

  • 3DVNet: 多视角深度预测和体积细化

    3DVNet 是一种结合了先前基于深度和体积的 MVS 方法优点的新型多视图立体 (multi-view stereo) 深度预测方法，使用基于体积的三维卷积神经网络来对所有深度图进行操作，并能够学习有意义的场景级先验知识，其在深度预测和 3D 重建度量上均超越了现有技术，证明该方法在新的环境下具有很好的效果和通用性。

    Dec, 2021

  • V4D: 用于视频级别表示学习的 4D 卷积神经网络

    本文提出采用 Video-level 4D 卷积神经网络（V4D）模型的长时空特征演化，通过设计新的 4D 残差块捕捉视频间的交互作用，将 4D 残差块轻松整合到现有的 3D CNN 中以进行层次化的长程建模，并在三个视频识别基准数据集上进行了广泛的实验验证，V4D 表现出优异的结果，显著优于最近的 3D CNN。

    Feb, 2020

  • SAINT: 用于医学切片合成的空间感知插值网络

    本文介绍了一种面向医学切片综合的空间感知插值网络（SAINT）方法，它可以利用体积数据的体元间距信息提供所需的细节层次，并且允许实时确定上采样因子，相较于其他超分辨率方法，在医学切片综合质量方面表现更好。

    Jan, 2020

  • Video-SwinUNet：VFSS 实例分割的时空深度学习框架

    本文提出了一个基于深度学习的医学视频分割框架，通过时间特征融合和 Swin Transformer 编码强大的全局空时特征以及使用 UNet 编码解码结构，实现了在 VFSS2022 数据集上分割性能显著优于其他方法的效果。

    Feb, 2023

  • SVQNet：用于 4D 时空 LiDAR 语义分割的稀疏体素邻近查询网络

    基于我们的观察，将所有的历史点堆叠会损害性能，因为有大量多余和误导性信息，我们提出了用于 4D 激光雷达语义分割的稀疏体素相邻查询网络（SVQNet），通过将历史点分成两组来充分利用历史帧的高效性，一组是携带局部增强知识的体素相邻邻域，另一组是补充全局知识的历史情境，然后我们提出了新的模块来从这两组中选择和提取指导性特征，我们的 SVQNet 在 SemanticKITTI 基准和 nuScenes 数据集的激光雷达语义分割中实现了最先进的性能。

    Aug, 2023