Nov, 2020

基于切片间上下文残差学习的三维医学图像分割

PDF
TL;DR我们提出了一种 3D 上下文残差网络（ConResNet）来更准确地分割 3D 医学图像，该模型包括编码器、分割解码器和上下文残差解码器，并在多个数据集上进行了验证，结果表明该模型比其他六个在脑肿瘤分割和其他七个在胰腺分割方面的方法更准确。
3d medical image segmentationdeep convolutional neural networkscontext residual networkinter-slice context informationbrain tumor segmentation
发现论文，激发创造
  • CE-Net：用于 2D 医学图像分割的上下文编码器网络

    本文提出了一种上下文编码网络（CE-Net），用于 2D 医学图像分割，其中包含特征编码器模块、上下文提取器和特征解码器模块，使用预训练的 ResNet 块作为特征提取器，并应用于不同的 2D 医学图像分割任务中，结果表明，所提出的方法在不同医学图像分割任务中性能优于原始 U-Net 方法和其他最新方法。

    Mar, 2019

  • 基于 3D 上下文增强的基于区域的卷积神经网络用于端到端病变检测

    3D context enhanced region-based CNN (3DCE) is proposed for lesion detection from computed tomography (CT) scans, which efficiently incorporates 3D context information by aggregating feature maps of 2D images and is proven effective through experiments on the DeepLesion dataset.

    Jun, 2018

  • 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

  • 通过循环神经网络上下文学习和直接损失函数提高 CT 和 MRI 图像的深度胰腺分割

    这篇论文提出了一种结合了卷积神经网络和循环神经网络的方法，利用 LSTM 进行序列处理来解决胰腺 CT 和 MRI 扫描的精确分割问题，且提出了一种名为 Jaccard Loss 的新的分割损失函数，优化 Jaccard 指数直接达到了比 CT 和 MRI 胰腺分割的现有方法更好的效果。

    Jul, 2017

  • VoxResNet: 用于体积脑分割的深度体素残差网络

    本文介绍了在体积数据上使用基于深度残差学习的深度卷积网络 VoxResNet 用于脑部图像分割的任务，同时提出了一种通过无缝集成低阶图像外观特征、隐式形状信息和高级上下文的自动上下文版本 VoxResNet 来进一步提高体积分割性能的方法，实验证明该方法在处理体积数据方面表现出色，揭示出 3D 深度学习在体积图像分割中的潜力。

    Aug, 2016

  • 将完全卷积和循环神经网络相结合进行三维生物医学图像分割

    该论文提出了一种新的基于深度学习的 3D 医学图像分割方法，该方法采用了全卷积神经网络和递归神经网络相结合的方式，能够充分利用体像素在不同维度上的相关性以提高分割性能。

    Sep, 2016

  • 基于多尺度 3D 卷积神经网络和完全连接条件随机场的高效脑部病变分割

    本文介绍了一种分割脑损伤的新方法，主要采用 3D 卷积神经网络，同时处理不同尺度的图像，通过实验证明具有更好的性能。

    Mar, 2016

  • 级联深度残差网络自动肝脏病变检测

    本研究采用一种基于深度残余网络 (ResNet) 的肝脏病变分割方法，通过级联 ResNet 架构和多尺度融合生成更精确的边界定义，该方法在 ISBI 2017 肝脏瘤分割挑战中获得第四名。

    Apr, 2017

  • 基于领域专用网络设计和循环神经语境学习的 CT 和 MRI 胰腺分割

    该研究使用卷积神经网络和递归神经网络对放射学图像中的胰腺进行自动分割，以进行计算机辅助筛查和定量评估。

    Mar, 2018

  • 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