骨架感知距离变换的结构保持实例分割
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
该研究使用 Signed Distance Map 直接从医学扫描中学习目标器官的形态，实现了更好的器官分割性能和更好的平滑度。通过同时预测 SDM 和分割地图，该方法将传统分割训练信息的补充信息引入，验证表明其比现有技术提高了 5% 以上的 Dice 系数并产生了更平滑的分割结果。
Dec, 2019
为了提高分割结果的拓扑准确性，本文提出了一种新的损失函数 Skea-Topo Aware Loss，它考虑了每个对象的形状和像素的拓扑重要性，包括基于骨架的加权损失和基于边界修正的拓扑关键像素识别，实验证明我们的方法在三个不同的边界分割数据集上相比 13 种最先进的方法，通过客观和主观评估，提高了最多 7 个 VI 点的拓扑一致性。
Apr, 2024
本研究提出新型的半监督学习策略来提高医学图像分割的形状估计性能，该方法采用多任务深度网络来同时预测语义分割和物体表面有符号距离图，并通过敌对损失来有效地捕捉形态感知特征.
Jul, 2020
本文提出了一种新的深度图像分割网络训练方法，利用离散 Morse 理论和全局结构识别技术，设计了一种新的损失函数，改善了特定位置如连接和膜的拓扑挑战等问题，实现了优异的 DICE 分数和拓扑测量结果。
Mar, 2021
通过在标签掩码上计算距离变换，训练一个全卷积神经网络来同时学习分类和距离回归，可以有效地应用于视觉场景中的语义分割并有效解决边界模糊和分割失真的问题。
Sep, 2019
本文提出了一种新的距离图生成损失项来辅助卷积神经网络在医学图像分割中选择难以分割区域，经实验证明此项可以显著提高分割质量、更好地保存骨骼边界形状特征，有望用于提取形态学生物标志物，并得出定量评估指标。
Aug, 2019
通过学习感兴趣物体的形状变化，提出了一种新颖的物体中心数据增强模型，能够在不修改图像的其余部分的情况下，通过加强感兴趣物体来改善肾脏肿瘤分割的效果。
Jul, 2023
本文主要研究一种无需提议的实例分割方法，通过像素嵌入学习和聚类来识别图像中的物体，并提出一种包含距离回归模块的简单有效的体系结构，用于生成快速聚类的种子，并且通过将距离回归模块的特征与图像进行拼接，可以显著提高学习到的嵌入特征的准确性。该方法在 CVPPP Leaf Segmentation Challenge 上的结果是排行榜中最好的。
Jul, 2020