Aug, 2023

MedShapeNet – 计算机视觉的大型三维医学形状数据集

PDF
TL;DRMedShapeNet 是一个具有超过 100,000 个医学形状的集合，主要用于促进数据驱动的视觉算法在医学应用中的应用，同时提供扩展现实和医疗 3D 打印的免费可用的 3D 模型。
medshapenetanatomical shapesdeep learning algorithmsmedical imagingshape benchmarks
发现论文，激发创造
  • ShapeNet：一个信息丰富的 3D 模型库

    ShapeNet 是一个由语义类别组织的大规模 3D CAD 模型库，提供了一些语义标注，如一致的刚性对齐，部件和对称平面，物理大小，关键词及其他计划的标注，通过公共的 Web 界面提供数据可视化，促进数据驱动的几何分析，并为计算机图形和视觉研究提供大规模数量基准。

    Dec, 2015

  • 从 ShapeNet Core55 进行大规模 3D 形状重建和分割

    用 ShapeNet 数据库的数据和注释介绍了一个大规模的 3D 形状理解基准测试。以部分级别分割 3D 形状和从单个视图图像重建 3D 形状为任务，其中 10 个团队参加了挑战，并且最佳表现团队在两个任务上均优于现有技术。各种 3D 建模方法都被用于这两个任务中，并提出了一些新的深度学习架构。我们总结了每个团队使用的技术和相应的表现，并总结了来自报告结果的主要发现和未来工作的可能趋势。

    Oct, 2017

  • 3D ShapeNets：一种用于体积形状的深度表示

    使用卷积深度置信网络将几何 3D 形状表示为 3D 体素网格上的二元变量的概率分布，以实现物体识别和根据 2.5D 深度图形完成 3D 形状恢复等多个方面的任务，利用构建的大规模 3D CAD 模型数据集 - ModelNet 进行训练，可以在各种任务中显著提高性能。

    Jun, 2014

  • 深度中心体：用于解剖形状建模的学习中心轴近似

    通过模板变形和深度介质体方法实现形状重建，以应用于医学成像、可视化和计算机模拟。

    Mar, 2024

  • MeshNet: 用于 3D 形状表示的网格神经网络

    本研究提出了一种名为 MeshNet 的 Mesh 神经网络，用于从 Mesh 数据中学习 3D 形状表达，并应用于 3D 形状分类和检索任务，并通过与其他方法的比较，证明了该方法的有效性。

    Nov, 2018

  • 深度多结构形状分析：在神经解剖学中的应用

    提出一种基于深度神经网络的神经解剖学形态学的有监督学习方法，直接对原始点云进行操作，通过空间变换网络将数据映射到规范空间，并通过网络的端对端训练阶段学习最优表示，通过多个分支来学习多个结构的特征，应用于阿尔茨海默病和轻度认知障碍的预测和脑龄的回归，最后通过适应点云遮挡法来可视化预测解剖重要部位。

    Jun, 2018

  • 一种用于可精细化形状匹配和生成的端到端深度学习生成框架

    基于几何深度学习的形状生成模型在计算医学中的应用可通过比较分析，验证了其适用于以真实 3D 网格形状为基础的合成解剖形状，并且可以进一步增加变异性并保留更多生成形状的细节。

    Mar, 2024

  • 点云网络能否学习解剖结构的统计形态模型？

    利用点云深度网络为统计形态建模提供一个未曾探索过的潜在方法，既能捕捉形态的人群统计特征，又能减少推理负担和放松输入要求，这为点云深度学习在形态分析文献中的发展和广泛应用奠定了基础。

    May, 2023

  • 用于体积医学图像解剖结构精化的隐式形状建模

    本文介绍了一种用于医学图像分割的隐式神经网络方法，通过利用不同类别内多个实例的物理信息构建了 PICCT，对卷积神经网络生成的初始结果进行了优化，实验结果表明该方法在形状细化方面的优越性。

    Dec, 2023

  • MedMNIST v2 -- 二维和三维生物医学图像分类的大规模轻量级基准

    介绍了一个类似于 MNIST 的大规模医学图像数据集 MedMNIST v2，包括 12 个 2D 数据集和 6 个 3D 数据集，经过预处理的图像大小为 28x28 或 28x28x28，支持多种数据集规模和任务，并提供了基准方法 （2D/3D 神经网络和开源 / 商业 AutoML 工具）进行分类任务。可用于医学图像分析，计算机视觉和机器学习等领域的研究和教育目的。

    Oct, 2021