利用同时节点和边预测的图神经网络实现骨椎可靠识别

Jul, 2023

利用同时节点和边预测的图神经网络实现骨椎可靠识别

Robust vertebra identification using simultaneous node and edge predicting Graph Neural Networks

Vincent Bürgin, Raphael Prevost, Marijn F. Stollenga

TL;DR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。

Abstract

Automatic vertebra localization and identification in ct scans is important for numerous clinical applications. Much progress has been made on this topic, but it mostly targets positional localization of vertebra

vertebra localization ct scans graph neural network landmark prediction classification task

发现论文，激发创造

SpineCLUE：使用对比学习和不确定性估计的自动椎骨识别

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

CT 图像中的多角度椎骨定位与识别

本文提出了一种多视角 CT 图像下的脊椎定位和识别方法，将三维问题转化为不同视图上的二维定位和识别任务，通过多视角对比学习和序列损失，能够准确地在 CT 图像中定位和识别脊椎，且超过了现有方法的表现。

Jul, 2023

VertDetect: 全自动三维椎体实例分割模型

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

使用深度图像到图像网络，结合信息传递和稀疏正则化方法，在大规模三维 CT 中自动标记椎骨

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

基于无监督迭代 U-Net 和内部引导层的胸部 X 射线图像脊柱对比度增强

本文介绍了一种通过迭代训练深度神经网络，采用内部指导层优化脊柱 X 光图像的方法，在准确识别物体边界的同时提高图像质量，从而显著提高 X 光成像技术的诊断准确性和疾病早期检测能力。

Jun, 2023

面部和颈部癌症患者的肿瘤图学习进行生存预测

通过 U 型卷积神经网络进行头颈部区域分割，结合支持向量机分类器实现肿瘤的语义分割，采用 Weibull 加速失效时间模型和深度学习等方法进行存活预后预测，在图像块处理方面探索性地进行图形卷积，从而实现对头颈癌进行自动分割和预后预测，测试数据获得了 0.64 的协调指数，在 HECKTOR 2022 挑战排行榜中排名第六。

Apr, 2023

基于修改注意力 Unet 的腰椎全景分割与标记

基于改进的注意力 U-Net 架构的增强方法用于腰椎 3D 切片 MRI 数据的全景分割来实现 99.5% 的准确率

Apr, 2024

基于拓扑自适应深度图学习的结构化地标检测

本文提出了一种新的深度图形学习方法来进行精准的解剖面和医学（如手、骨盆）标志物检测，该方法结合了局部图像特征和全局形状特征，基于两个图卷积网络（GCNs）学习任务特定的结构。该方法在公共人脸图像数据集和 X 射线医学数据集上的实验结果表明，在鲁棒性和准确性方面的表现都优于先前的最新方法。学习到的图形拓扑的质量可视化证明了标志物背后物理上合理的连接。

Apr, 2020

SEM-GAT：使用学习到的图注意力进行可解释的语义姿态估计

本文提出了一种基于 GNN 的方法，利用语义和局部几何形状来指导可靠点云注册候选项的识别，语义和形态特征作为注册的关键参考点，实现精确的激光雷达姿态估计，我们的轻量级静态图结构通过识别语义实例关系，作为一种归纳偏见，显著减少了点云注册的计算负担，通过连接候选节点和利用跨图的关注机制，我们为所有潜在的注册对应关系计算置信度得分，估计点云扫描之间的位移，我们的流程通过将模型与环境中的局部结构的个体贡献相关联，使模型的性能进行内省分析，提供有价值的系统行为洞察。我们在 KITTI 测距数据集上测试我们的方法，相较于基准方法，实现了竞争性的准确度和更高的轨迹平滑度，同时依赖 significantly fewer network parameters。

Aug, 2023

监测病变增长的纵向脊柱 CT 图像配准

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