ICCVJul, 2023

基于拓扑几何约束的动态蛇卷积用于管状结构分割

PDF
TL;DR该论文提出一种 DSCNet 模型，通过使用动态蛇卷积、多视图特征融合与连续性约束函数来实现对拓扑管状结构进行精确分割的目标，并在 2D 和 3D 数据集上进行了验证与实验。
topological tubular structuressegmentationdscnetdynamic snake convolutioncontinuity constraint loss function
发现论文，激发创造
  • 深度蛇用于实时实例分割

    本文提出了一种名为 deep snake 的新型轮廓方法，它使用神经网络迭代地变形初始轮廓以匹配对象边界。作者使用循环卷积来进行轮廓上的结构化特征学习，并且根据 deep snake 提出了二阶段流程进行实例分割：初始轮廓建议和轮廓变形。 经实验证明，该方法在实时应用中表现出优异的性能。

    Jan, 2020

  • 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

  • CT 扫描中管状结构分割的深度距离变换

    提出了一种基于 Deep Distance Transform (DDT) 的几何感知管状结构分割方法，通过结合经典距离变换与现代深度学习分割网络，从学习到的距离图与分割掩模形态先验信息相结合，有效提高管状结构分割性能，同时提供了管状结构的几何测量数据，对临床诊断具有重要意义。

    Dec, 2019

  • TSGCNet：使用两流图卷积网络进行齿科三维模型分割的判别几何特征学习

    这篇文章提出了一种使用二流图卷积网络从三维数字化牙模型中学习多个几何属性，实现牙齿分割的方法，并表明该方法优于现有的基于深度学习的方法。

    Dec, 2020

  • 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

  • 动态 U-Net: 面向腹部多器官分割的自适应特征校准

    动态 U-Net 是一种改进的网络架构，通过引入动态校准卷积、动态校准下采样和动态校准上采样模块，解决了 U-Net 在多器官分割任务中存在的一些限制，并在两个腹部多器官分割基准任务中取得了显著的分割精度提升。

    Mar, 2024

  • DSU-Net: 2D 地震初始震相采集的动态蛇 U-Net

    在地震勘探中，我们提出了一种新的语义分割网络（DSU-Net），通过引入动态蛇卷积到 U-Net 中，在 2D 地震首波捕捉任务中实现了更高的准确性和鲁棒性，实现了首波跳跃的有效检测和更好的水平连续性。

    May, 2024

  • 基于 CNN 的深度图曲线 - 结构分割及其在文物探索中的应用

    本研究使用卷积神经网络来对文化遗产上雕刻或刻画成非常模糊的曲线结构进行自动分割，并通过实验证明了该算法在区分混杂曲线时的表现更为优秀。

    Nov, 2017

  • 基于拓扑损失的级联多任务 U-Net 用于血管分割和中心线提取

    本研究提出了一种基于深度学习的方法，用于血管分割和中心线提取，通过嵌入拓扑约束提高了预测结果的准确性。

    Jul, 2023

  • MRI 实时脑肿瘤分割的 3D 扩张多纤网络

    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