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

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

本论文提出了一种名为 Vox2Cortex 的基于深度学习的算法，直接从 MRI 扫描中提取顶部正确且三维网格化的大脑皮层界面，相较于传统和基于深度学习的算法更快速、更精准。

Mar, 2022

通过深度生成网络模拟人体解剖分割的总体和局部形貌特征，并利用条件潜在变量实现对临床疾病的可解释结果可视化诊断，从而为大规模的体积成像研究提供高通量分析的新方法。

Jun, 2019

MedShapeNet 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。

Aug, 2023

利用深度条件形状模型作为核心组件的新型分割算法，通过深度隐式形状表示学习一个可以为任何感兴趣解剖学生成有符号距离函数的模态不可知形状模型，然后通过解剖标志物对生成的形状进行拟合到图像上，并添加模态依赖的轻量级细化网络以捕捉隐式函数未表示的任何细节，该框架在多种 3D 模态下的心脏左室分割问题上进行评估，自动化的 DCSM 在非对比度 CT 上表现优于基准结果，在对比度 CT 和 3DE 上添加细化后性能得到显著改善，而用户输入标志物的半自动化 DCSM 在全部模态下的 Dice 指数均超过 92%。

Oct, 2023

本研究介绍了一种新的体系结构，可实现直接从三维图像体积转换为三维表面，无需后处理并具有比当前方法更好的准确性，证明其优于最先进的分割方法。

Dec, 2019

GEM3D 是一种新的深度、拓扑感知的 3D 形状生成模型，通过神经骨架为基础的表示编码形状拓扑和几何信息，生成更准确的拓扑和几何信息的表面，并应用于形状综合和点云重建任务，取得了显著的表面重建和多样化形状生成结果。

Feb, 2024

本文提出了一种新颖的体积卷积神经网络，通过空间密集提取模块和注意力特征聚合模块从体素化三维数据中提取具有详细信息的判别特征，以实现具有语义一致性和高精度细节的分割任务，实验结果表明了在大规模数据集上进行形状部分分割任务时我们方法的有效性。

Sep, 2018

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