MNet: 重新思考 2D/3D 网络在各向异性医学图像分割中的应用
研究提出了一种 3D Anisotropic Hybrid Network (AH-Net) 来解决卷积神经网络在 3D 非均质体积下的数据不足和计算量增大的问题,并在两个医学图像分析任务上获得了当今最先进的结果。
Nov, 2017
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
基于医学成像的高位面和低位面分辨率之间的插值现象,本文提出了一个全面探索高位面分辨率信息并弥补低位面分辨率的 Inter-Intra-slice Interpolation Network(I^3Net),通过在线的跨视图模块利用三个视图的信息,相比其他方法在超分辨率、视频帧插值和切片插值方面实现了明显的改进。
May, 2024
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
本论文介绍了一种将自然图像上训练的 2D 分类网络的效率转移到 2D、3D 单模态和多模态医学图像分割应用中的高效方法,该方法基于权重转移和维度转移的两个关键原则,实验证明其在多维医学图像分割方面表现出色。
Jul, 2023
通过将动态稀疏特征融合机制与三维卷积中的限制深度移位相结合,提出了一种 3D 医学图像分割模型,名为 E2ENet。在多种资源限制条件下,E2ENet 相比之前的方法在精度和效率之间实现了较优的平衡,并在大规模挑战 AMOS-CT 上实现了与之前最佳方法相当的准确性,同时在推断阶段节省了 68%的参数计数和 29%的 FLOPs。
Dec, 2023
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
本篇论文介绍了一种基于体素和网格表达,利用欧几里得信息和测地信息的深度学习体系结构 VMNet 用于室内场景的 3D 语义分割,并在实验证明了其优越性能,尤其是在大规模的 ScanNet 数据集上。
Jul, 2021
本研究提出了一种简单的方法,使用 2D 网络和中间特征表示来处理 3D 数据,并使用特征减少模块进行分类,以解决在医学分类的基准测试和实际临床数据中训练成功受限的问题。
Jul, 2023
为了解决 3D 卷积神经网络在医学影像识别中时间和计算效率低的问题,本文提出将体数据转化为 2D 超级图像,使用 2D 网络用于分割任务,具有实用价值和吸引更多相关研究的意义。
May, 2022