AiD Regen 使用 2D 语义分割和 3D 重建生成 3D 伤口模型，协助治疗糖尿病足溃疡。它具有全流程，包括图像捕捉，语义分割，点云处理，3D 重建和 G 代码生成的能力，并具有人机交互的接口。实验证明，该模型优于先前的伤口分割模型，并能够生成具有较高准确性的 3D 伤口模型。同时，对患有糖尿病足溃疡的真实病例进行了病例研究，并展示了 AiD Regen 在治疗 DFU 创伤方面的有效性。

Mar, 2022

基于 MobileNetV2 和联通区域标记的卷积框架可以对自然图像中的伤口区域进行有效的分割，为伤口的面积测量和定量参数提供重要的诊断和治疗信息。

Oct, 2020

为了解决糖尿病足溃疡（DFU）图像中组织分割的挑战，作者创建了一个名为 DFUTissue 的数据集，其中包含由伤口专家标记的 110 张图像和 600 张未标记的图像。作者提出了一个混合模型，采用了深度学习方法，并结合了半监督学习的方法进行 DFU 伤口组织的分割。通过与现有方法的比较评估，该模型在 DFU 伤口区域的二值分割中取得了 92.99% 的 Dice 相似系数。

Jun, 2024

改进的自动分割方法可以用于填补 3D 物体表面上的孔洞，通过将孔洞细分填充来匹配局部曲率形状，相较于现有的方法，我们的方法在重建 3D 对象方面获得了更高的准确性。

Oct, 2023

本研究提出了一种基于人脸分割和三维人脸重建的面部去遮挡模型，通过预测面部先验和遮挡掩码实现了对所有种类的面部遮挡（包括毛发等较模糊的边界）的自动去除，并为了监督训练进一步构建了一个大型遮挡数据集。实验证明，该方法有效且鲁棒。

Dec, 2021

本论文引入了一种卷积神经网络（CNN）弱监督切片传播分割（WSSS）方法，以 RECIST 标记为弱监督数据，能够精确地评估时间点的病变 / 肿瘤变化，并在淋巴结数据集中表现出与完全受监督的方法相当的性能，并在全面的病变数据集上测试，其中我们报告了在 RECIST 标记图层上的 Dice 分数均值为 92%，在整个 3D 体积上为 76%。

Jul, 2018

综述了近期基于深度学习的三维物体分割，涵盖了 150 多篇文章，总结了最常用的算法流程、讨论了它们的优缺点，并分析了这些分割方法的竞争结果，最后提出了未来的研究方向。

Mar, 2021

本研究旨在通过利用卷积神经网络完成外科手术创面分类的任务，并提出了一种多标签 CNN 集成算法 Deepwound，该算法能够通过图像像素和相应标签，准确地识别手术创面的九种状态，包括引流、纤维性渗出物、肉芽组织、手术部位感染、裸露伤口、钉子、医用绷带和缝线等。同时，本研究还展示了一种基于智能手机的移动应用前端 Deepwound，可以方便地跟踪患者的创面和手术恢复。

Jul, 2018

创伤管理对于卧床患者和老年人尤为具有挑战性。现代图像分析对准确的诊断和伤口愈合监测具有重要意义，能提供准确而精确的伤口测量结果。尽管存在多种技术，但广泛而多样的训练数据集的缺乏仍然是构建基于机器学习框架的重要障碍。本文介绍了 Syn3DWound，这是一个开放源代码的高保真模拟伤口数据集，具有 2D 和 3D 注释。我们提出了基线方法和用于自动化 3D 形态测量分析和 2D/3D 伤口分割的基准测试框架。

Nov, 2023

提出了一种端到端的 3D 面部重建和探索工具，使用最新的文本到图像扩散模型和基于图像的面部重建技术生成初始参考 3D 面部，然后通过优化过程将这些初始面部调整为与给定头骨上的解剖标志的统计预期相符，通过小型解剖标志上的组合统计分布学习组织厚度，同时提出了一种高效的面部调整工具来辅助用户在观察可行的视觉反馈的同时全局或局部地调整组织厚度。实验证明了所提出流程在重建精度、多样性和稳定性方面的有效性。

Mar, 2024