医学图像分割的结构连续性保持

Apr, 2023

SCOPE: Structural Continuity Preservation for Medical Image Segmentation

Yousef Yeganeh, Azade Farshad, Goktug Guevercin, Amr Abu-zer, Rui Xiao...

TL;DR该研究提出了一种基于图形的方法来处理医学影像中解剖拓扑的连续性和连通性问题，实验表明与传统方法相比，该方法在保持解剖形态连续性的同时，在连通性方面有显著的改进，而在分割度量方面表现更好或持平。

Abstract

Although the preservation of shape continuity and physiological anatomy is a natural assumption in the segmentation of medical images, it is often neglected by deep learning methods that mostly aim for the statis

medical images deep learning methods anatomical topology graph-based approach retinal vessel segmentation

发现论文，激发创造

基于方向连通性的医学图像分割

本研究提出了一种定向连通性建模方案，用于解耦、跟踪和利用网络中的方向信息，从而有效增强连接性网络中的特征表示，在各种公共医学成像分割基准测试中展现了相关模型的有效性。

Mar, 2023

血管分割的最优连接模型和 MEA-Net

通过在神经网络分割结果中直接提取边界体素，在最小曲面的基础上建立最优连接模型，并改进了血管的分割，为三维多分类血管分割任务带来了最先进的性能表现，同时，相比其他方法，处理血管分散和结构完整性并有效地改善了血管结构的 Betti 误差和 LR、BR 误差指标，使血管具有更精确的拓扑结构。

Jun, 2023

医学图像中基于拓扑准确的多类别分割

提出了一种通用的损失函数，用于在多类别分割中实现拓扑准确性，并通过在持久性条码上引入匹配概念进行优化，将多类别分割问题转化为单类别分割任务，从而实现了神经网络的快速训练，并在四个医学数据集上验证了该方法的有效性。

Mar, 2024

保持拓扑结构的深度图像分割

我们提出了一种新的学习方法，通过设计一个连续的价值损失函数来促进分割具有与真值相同的拓扑结构，即具有相同的 Betti 数，将其并入深度神经网络的端到端训练中，以在广泛的自然和生物医学数据集上实现更好的性能。

Jun, 2019

腹部多器官和肿瘤分割的持续学习

本文提出了一种用于连续器官和肿瘤分割任务的创新结构，包括一系列轻量级的、类特定的输出头，以及将对比语言 - 图像预训练嵌入到器官特定的头中。实验结果表明该方法在学习过程中提高了基线神经网络对新引入和先前学习类别的分割性能。

Jun, 2023

骨架召回损失用于细管状结构连通性保持和资源高效分割

提出了一种新的骨架召回损失，通过绕过昂贵的 GPU 计算，采用廉价的 CPU 操作，解决了薄结构分割中的计算和内存负担问题，并在保持拓扑性方面表现出卓越性能。

Apr, 2024

计算机断层扫描图像中主动脉和大血管分割的拓扑感知损失

本文介绍了一种新的拓扑感知损失函数，通过计算地面实况和预测之间的持续性图的 Wasserstein 距离来惩罚两者之间的拓扑不相似性，实验证明该拓扑感知损失函数在计算机断层扫描图像的分割任务中得到了比其他方法更好的结果。

Jul, 2023

PHiSeg：医学图像分割中的不确定性捕捉

本文提出了一种基于层次概率模型和变分自编码器框架的新方法，用于建模给定输入图像的分割的条件概率分布，可以有效地解决解剖结构和病理分割中的歧义性问题，同时可以生成比以前的方法更真实和多样化的分割样本。

Jun, 2019

深度学习和合成训练数据在 sOCT 中的神经血管分割

该研究使用序列切片光学相干断层扫描技术开发了一种高度可推广的神经血管分割方法，不需要手动注释并达到了人类水平的精度。

Jul, 2024

一个神经网络进行全局的医学三维图像分割系统：一种通用的轻量级准确分割系统

研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

Nov, 2019