本文提出了一种基于深度学习的方法，可以从一对二维 X 射线图像中估计骨头的三维结构，并且相较于八种其他的三维骨重建方法，预测精度更高。同时，该神经网络可以根据 X 射线图像确定骨头的身份，具有 100％的准确性，为鉴定和识别骨头提供了一种基于图像内容的更快速的方式。

Jan, 2020

最近对患者特定胸部手术规划和仿真的兴趣日益增加，要求从自动医学影像分割算法中高效、稳健地创建数字解剖模型。深度学习（DL）现在在各种放射学任务中处于领先地位，U 型 DL 模型在医学影像分割方面表现出色，自 2D UNet 的诞生以来已经有很多 U 型模型的变体。目前，尚缺乏对这些模型进行系统的基准研究，尽管最近大规模多标签数据库的发展为该领域提供了机会。我们首次对 3D U 型模型的变体（3DUNet，STUNet，AttentionUNet，SwinUNETR，FocalSegNet 以及一种新的带有四种变体的 3D SwinUnet）进行了基准研究，其重点是基于 CT 的胸部手术解剖分割。我们的研究系统地考察了不同注意力机制、分辨率级别数量和网络配置对分割准确率和计算复杂度的影响，并进行了与最近的其他基准研究的交叉参考，包括对 BTCV 腹部结构分割的性能评估。在 STUNet 排名首位的情况下，我们的研究证明了用于所研究任务的基于 CNN 的 U 型模型的价值，以及在网络配置设计中使用剩余块以提高分割性能的好处。

Feb, 2024

提出了一种新的集成学习框架，其结合了 2D 和 3D 模型的优点，通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果，实现了在完全监督、半监督和转导设置下，相对于最先进的图像分割方法，取得了优越的性能。

Dec, 2018

通过引入一个新的基准系统，本文探讨了使用聚合的 2D 切片、3D 体积和流行的多模态基模型的多模态嵌入作为查询，在医学影像领域中进行三维医学图像检索的多种搜索策略，并提供了定量和定性评估，为未来研究提供了深入讨论和见解。

Nov, 2023

使用形状自编码器和自动化的多标签分割方法，本研究探讨了骨质疏松性骨折的及时诊断，以及通过学习形状特征来改善骨骼退行性畸形的可靠性和减少标注的需求。

Dec, 2023

通过 Pix3D 数据集，我们在三个方面对单张图像进行 3D 形状建模进行研究：建立了包含图片和对应 3D 模型对的大规模基准数据集，对 3D 形状重建的评估标准进行了校准并设计了一种新的模型，该模型在 3D 重建和姿态估计任务上均实现了最先进的性能。

Apr, 2018

本研究提出一种基于深度学习的多模态分析框架（DDMA）用于三维重建牙齿 - 骨骼结构，结合 CBCT 和口内扫描，实现了高保真度和精准的牙冠 - 骨骼结构分割。DDMA 可以显著提高数字牙科模型的质量，帮助牙医做出更好的临床决策。

Mar, 2022

研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

Nov, 2019

本文利用心脏亚结构分割任务为例，建立了一个深度学习模型质量保证框架，其中通过使用训练自动编码器（DAE）和两个手工设计的特征来开发图像域移位检测器，再利用提取的特征训练回归模型来预测患者关键数据的分割精度，并成功测试了该框架。

May, 2023

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