CT 图像中的多角度椎骨定位与识别
提出了一种三阶段的方法来解决椎骨水平的 3D CT 椎骨识别中的挑战,通过顺序执行椎骨定位、分割和识别的任务,有效利用椎骨的解剖先验信息,并采用监督对比学习方法进行预训练来解决类间相似性和类内变异性问题,并进一步优化识别结果。
Jan, 2024
本研究提出一种自动定位和标记三维医学图像中椎体中心的算法,使用 DI2IN 进行初始化,使用基于消息传递方案的聚类方法和稀疏性约束进行迭代演进,最终使用稀疏性正则化进行结果优化。该算法在多个病理学数据集上表现出良好的性能。
May, 2017
用于 CT 扫描的自动椎骨定位和识别对于许多临床应用很重要,本论文提出了一种简单的流程,使用 U-Net 进行标准预测,然后使用单个图神经网络来关联和分类具有完整方向的椎骨,并通过引入包含骨体关联的脊柱枢等标记来测试我们的方法,展示了我们的方法优于匈牙利匹配和隐马尔可夫模型的传统方法,在标准 VerSe 挑战的骨体识别任务上也表现出有竞争力的性能。
Jul, 2023
实现自动且鲁棒的纵向脊柱图像配准对于评估疾病进展和手术结果至关重要,本文提出了一种新颖的方法,通过深度学习模型自动定位、标记和生成三维表面,然后使用高斯混合模型表面配准实现纵向脊柱 CT 图像对齐并准确评估病变进展,实验证明该方法在 37 个椎体、5 名患者的基线和 3、6、12 个月后的随访图像上显示出了平均 Hausdorff 距离为 0.65 毫米和 Dice 分数为 0.92 的准确配准。
Feb, 2024
本文提出了一种全自动的端到端三维椎体实例分割卷积神经网络模型 VertDetect,用于预测 CT 扫描中存在的所有椎体的椎体级别标签和分割,并通过使用脊柱的已知结构改善了椎体标注,取得了端到端架构的最先进性能,其设计可用于下游任务的特征提取。
Nov, 2023
提出了一种统一的方法,该方法在所有图像上同时执行疾病识别和定位,并且可以有效地利用分类信息以及有限的位置注释,从而在分类和定位任务中显着优于比较基线参考。
Nov, 2017
通过引入一种新的数据增强技术,本研究旨在自动化脊柱肿瘤的分割和定位,利用医学影像中专家绘制的预定义掩模,结合模糊 c 均值聚类和随机森林算法的融合,实现了成功的脊柱肿瘤分割和分类,同时使用 3D 椎体分割和标注技术精确定位了腰椎肿瘤的确切位置。该方法表现出卓越的性能,获得了 99% 的肿瘤分割准确率、98% 的肿瘤分类准确率和 99% 的肿瘤定位准确率,超过了现有最先进技术的有效性,改进了脊柱肿瘤的检测和表征诊断能力,从而促进了更有效的临床决策。
May, 2024
该研究开发了一种基于视觉转换的非对称自编码器网络,可以从 2D 的 kV 图像中重建出 3D CT 图像,实现了患者定位精度的提高。
Apr, 2023
本研究提出了一种名为 MVTN 的多视图转换网络,利用可微分渲染确定最佳视点进行三维形状识别,将其集成到新颖的自适应多视图流程中,在几个基准测验中表现出 3D 分类和形状检索的最先进性能,并展示了相对于其他方法更好的遮挡鲁棒性,并探讨了 MVTN 的其他方面,如二维预训练和其用于分割,同时公开了使用多视图投影进行 3D 理解和生成的 PyTorch 库 MVTorch。
Dec, 2022