Jun, 2022

神经注释细化：开发一种新的三维数据集用于肾上腺分析

PDF
TL;DR本研究提出了一种名为 Neural Annotation Refinement (NeAR) 的方法，通过学习可隐函数对具有形状特征的向量进行解码，结合外观作为输入，修复人工标注的瑕疵，该方法用于系统分析肾上腺，结果表明修复后的模型能更好地诊断肾上腺疾病，并且本研究建立了一套新的 Adrenal gLand ANalysis (ALAN) 数据集，可供医疗形状分析进行基准测试。
human annotationneural annotation refinementadrenal gland analysisimplicit functionalan dataset
发现论文，激发创造
  • NeuralAnnot：用于 3D 人类网格训练集的神经注释器

    本研究提出了一种神经网络模型 NeuralAnnot，用于改进三维人体网格回归器的监督学习方式，通过优化参数，可以获得高精度的人体三维模型。

    Nov, 2020

  • 基于几何学习的放疗分割误差自动识别

    本研究提出了使用卷积神经网络和图神经网络相结合的新型架构，基于自我监督学习的方法，无需基准来自动识别三维器官风险分割中的错误，为放射治疗过程提供了离线质量保证工具，以便识别需要专注于的区域。

    Jun, 2022

  • 通过双编码器和边界增强注意力进行腺体分割

    通过提出的 DEA 模型，我们可以实现对病理图像上的腺体进行准确自动的分割，帮助病理学家诊断结直肠腺癌的恶性程度。实验证明，我们的方法在两个公共数据集 GlaS 和 CRAG 上的表现优于其他腺体分割方法。

    Jan, 2024

  • 深度多结构形状分析：在神经解剖学中的应用

    提出一种基于深度神经网络的神经解剖学形态学的有监督学习方法，直接对原始点云进行操作，通过空间变换网络将数据映射到规范空间，并通过网络的端对端训练阶段学习最优表示，通过多个分支来学习多个结构的特征，应用于阿尔茨海默病和轻度认知障碍的预测和脑龄的回归，最后通过适应点云遮挡法来可视化预测解剖重要部位。

    Jun, 2018

  • 神经引导形状解析器：基于语法的近似推断三维形状区域标签化

    提出了一种名为 Neurally-Guided Shape Parser (NGSP) 的方法，该方法使用 MAP 推断来学习如何为 3D 形状的区域分配细粒度的语义标签，并使用神经向导网络使搜索变得可行。

    Jun, 2021

  • 有限、异构数据的深度神经进化：运用小型虚拟池化图像集的神经母细胞瘤脑转移概念证明应用

    本研究旨在将深度神经进化算法（DNE）应用于来自不同机构的图像数据集中，以解决人工智能在放射学中的过度拟合和泛化问题，并应用于分类磁共振成像中的神经母细胞瘤脑转移。结果表明，该算法在虚拟的汇总图像数据集上取得了接近完美的分类准确性，为实现临床可行的人工智能提供了重要的贡献。

    Nov, 2022

  • 适应锁定思维网络解密心灵

    该论文介绍了一种自适应锁定不可知网络（ALAN）的方法，通过自我监督的视觉特征提取和解剖鲁棒的语义自分割来应对医学成像应用中标记数据不足的问题，并应用于三个公开的超声心动图数据集，结果表明这种方法能够稳定地识别心脏的解剖子区，并设计了两个下游模型用于解剖区域分割和超声心动图视图分类。

    Sep, 2023

  • 深度分层生成模型解释解剖形态分析

    通过深度生成网络模拟人体解剖分割的总体和局部形貌特征，并利用条件潜在变量实现对临床疾病的可解释结果可视化诊断，从而为大规模的体积成像研究提供高通量分析的新方法。

    Jun, 2019

  • 一种用于可精细化形状匹配和生成的端到端深度学习生成框架

    基于几何深度学习的形状生成模型在计算医学中的应用可通过比较分析，验证了其适用于以真实 3D 网格形状为基础的合成解剖形状，并且可以进一步增加变异性并保留更多生成形状的细节。

    Mar, 2024

  • NeuDA: 高保真隐式表面重建的神经可变锚点

    本文研究利用可微分射线投射进行隐式表面重建。我们提出了一种高保真表面重建的柔性神经隐式表示方法 NeuDA，利用分层体素网格维护分层锚点网格。此外，我们还深入探讨了位置编码策略，并引入了一种简单的分层位置编码方法，以灵活利用高频和低频几何与外观的特性。实验证明，NeuDA 可以产生有前途的网格表面。

    Mar, 2023