用 3D CNN 处理 CT 扫描的统一技术以预测结核病

Jul, 2020

用 3D CNN 处理 CT 扫描的统一技术以预测结核病

Uniformizing Techniques to Process CT scans with 3D CNNs for Tuberculosis Prediction

Hasib Zunair, Aimon Rahman, Nabeel Mohammed, Joseph Paul Cohen

TL;DR本文阐述了一种针对 3D 医学图像数据分析时 2D CNNs 只能处理每个切片数据但丢失深度信息的问题进行的探索，提出了一些体积均一化方法，通过显著的不同性能提高，在 ImageCLEF 结核病严重性评估中实现了最高 73% 的曲线下面积（AUC）和 67.5% 的二元分类准确度 (ACC)。

Abstract

A common approach to medical image analysis on volumetric data uses deep 2D convolutional neural networks (CNNs). This is largely attributed to the challenges imposed by the nature of the 3D data: variable volume

medical image analysis convolutional neural networks 3d data analysis volume uniformizing methods tuberculosis severity assessment

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

单张图像断层摄影：2D 头颅 X 光获取 3D 图像体积

本研究展示了基于深度学习的卷积神经网络可以重构二维 X 光成为三维体积，通过将粗略的，固定分辨率的体积与输入的 X 光融合成高分辨率的体积，以实现更加精细化的成像。同时，研究团队还创建了一个新的数据集，其中包括了将近 50 万个 175 个哺乳动物物种的计算机模拟二维 X 光成像的数据，为以前基于层析成像和数据驱动学习的方法提供了比较和验证，并应用于实际 X 光成像数据的重构和渲染。

Oct, 2017

基于三维深度卷积神经网络的自动肺结节检测

本文提出了一种新颖的三维卷积神经网络方法，采用对象检测以及 false positive reduction 等方式来识别计算机断层扫描图像中的肺结节，该方法在 Alibaba's 2017 TianChi AI 大赛中获得了第一名。

Mar, 2019

基于深度学习的胸部 X 射线图像结核病分析技术及其分割与增强方法研究

提供了通过使用基于深度学习的计算机辅助诊断（CADx）进行 2D 胸部 X 射线（CXR）图像分析以获得可靠预测肺结核可用性的结果，并通过使用应用于小型数据集的深度卷积神经网络 (CNN) 的肺部分割、无损和损失数据增强来展示 CADx 的效率。

Mar, 2018

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

气道病变的三维整体深度学习方法与二维方法的 CT 评估

该研究比较了卷积神经网络在 2D 和 3D 格式中对囊性纤维化病变的整体分割能力，并重点研究了 5 个主要囊性纤维化结构变化。通过对比 2D 和 3D 模型，发现 3D 模型在捕捉粘液栓和肺实变等复杂特征方面具有优势。通过实验引入了适用于细结构分割的损失函数并评估，显著提高了 2D 模型的准确性，但未超过 3D 模型的性能。模型经过外部评估计算肺功能测试，证实了研究结果的稳健性。此外，研究还包括了对模型的可解释性和可靠性的综合评估，为其临床应用提供了宝贵的见解。

Mar, 2024

上下文嵌入学习用于增强三维图像分割的二维网络

该研究旨在通过上下文嵌入学习方法增强二维卷积神经网络以更好地进行三维图像分割，结果表明该方法能够有效利用层间上下文信息并提高分割性能。

Apr, 2024

时空建模遭遇 3D 医学图像分析：Slice-Shift UNet 与多视图融合

基于视频动作识别领域的灵感，我们提出了一种名为 Slice Shift UNet (SSH-UNet) 的新型二维模型，以 2D 卷积神经网络的复杂度编码三维特征，通过沿切片轴移动部分特征图重新融合被 2D 卷积忽视的第三个维度。在多模态腹部多器官分割（AMOS）和除颅骨外多图谱标记（BTCV）数据集中验证了我们方法的有效性，表明 SSH-UNet 在性能上与最先进的架构相媲美，且更高效。

Jul, 2023

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

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