Mar, 2024

气道病变的三维整体深度学习方法与二维方法的 CT 评估

PDF
TL;DR该研究比较了卷积神经网络在 2D 和 3D 格式中对囊性纤维化病变的整体分割能力，并重点研究了 5 个主要囊性纤维化结构变化。通过对比 2D 和 3D 模型，发现 3D 模型在捕捉粘液栓和肺实变等复杂特征方面具有优势。通过实验引入了适用于细结构分割的损失函数并评估，显著提高了 2D 模型的准确性，但未超过 3D 模型的性能。模型经过外部评估计算肺功能测试，证实了研究结果的稳健性。此外，研究还包括了对模型的可解释性和可靠性的综合评估，为其临床应用提供了宝贵的见解。
convolutional neural networks2d and 3d formatscystic fibrosis lesionsfine structures segmentationpulmonary function tests
发现论文，激发创造
  • COVID-VR：基于体视学计算机断层扫描的深度学习 COVID-19 分类模型

    基于体素渲染图像的 COVID-VR 方法能够有效识别肺部病变并且在与基于切片的方法进行竞争时表现出竞争力。

    Aug, 2023

  • 一种用于体积医学图像分割的 3D 粗 - 细框架

    本研究采用 3D 卷积神经网络对容积式医学图像进行分割，并提出了一种新的 3D 粗到细的框架，该框架不仅有效而且高效可靠，与 2D 方法相比取得更好的效果，并在临床应用中得到了可靠性保证。

    Dec, 2017

  • 基于级联的三维全卷积网络在医学图像分割中的应用

    通过在多个解剖结构 (从大器官到细小血管) 的计算机断层扫描手动标记的数据上训练多分类的三维卷积神经网络，该研究展示了基于三维全卷积神经网络的医学图像语义分割的实现和鲁棒性的突破，所提出的粗略到精细的两阶段方法达到了最先进水平。

    Mar, 2018

  • 基于三维深度卷积神经网络的自动肺结节检测

    本文提出了一种新颖的三维卷积神经网络方法，采用对象检测以及 false positive reduction 等方式来识别计算机断层扫描图像中的肺结节，该方法在 Alibaba's 2017 TianChi AI 大赛中获得了第一名。

    Mar, 2019

  • 使用远程 2D 上下文的 3D 卷积神经网络进行肿瘤分割

    提出了一种基于卷积神经网络的肿瘤分割方法，采用多种序列图像，结合 2D 和 3D 上下文，通过级联 2D-3D、子网络处理缺失图像序列等策略提高了效率，在 BRATS 2017 竞赛中良好表现，可用于各种分割任务。

    Jul, 2018

  • 基于 3D 上下文增强的基于区域的卷积神经网络用于端到端病变检测

    3D context enhanced region-based CNN (3DCE) is proposed for lesion detection from computed tomography (CT) scans, which efficiently incorporates 3D context information by aggregating feature maps of 2D images and is proven effective through experiments on the DeepLesion dataset.

    Jun, 2018

  • 将完全卷积和循环神经网络相结合进行三维生物医学图像分割

    该论文提出了一种新的基于深度学习的 3D 医学图像分割方法，该方法采用了全卷积神经网络和递归神经网络相结合的方式，能够充分利用体像素在不同维度上的相关性以提高分割性能。

    Sep, 2016

  • 基于 CT 的胸腔外科手术计划的解剖分割：对 3D U 型深度学习模型的基准研究

    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

  • 三维卷积神经网络用于胶质母细胞瘤分割

    本文提出了一种基于 3D 全卷积神经网络模型并利用预定义的高斯差分滤波器进行真正的 3D 卷积来学习 3D 肿瘤 MRI 数据的新方法，该方法能够识别 MRI 上的高级肿瘤结构，具有比现有方法更好的性能。

    Nov, 2016

  • 用 3D CNN 处理 CT 扫描的统一技术以预测结核病

    本文阐述了一种针对 3D 医学图像数据分析时 2D CNNs 只能处理每个切片数据但丢失深度信息的问题进行的探索，提出了一些体积均一化方法，通过显著的不同性能提高，在 ImageCLEF 结核病严重性评估中实现了最高 73% 的曲线下面积（AUC）和 67.5% 的二元分类准确度 (ACC)。

    Jul, 2020