上下文嵌入学习用于增强三维图像分割的二维网络
提出了一种称为 MedContext 的通用训练框架，可以与任何现有的 3D 医学分割训练框架结合，无需大规模标注的体积医学数据或专门的预训练 - 微调阶段，并通过学习在输出分割空间中重构器官的缺失部分，以有效地学习自监督上下文提示，以提高分割性能。
Feb, 2024
本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化 Dice 系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。
Jun, 2016
为了解决 3D 卷积神经网络在医学影像识别中时间和计算效率低的问题，本文提出将体数据转化为 2D 超级图像，使用 2D 网络用于分割任务，具有实用价值和吸引更多相关研究的意义。
May, 2022
本论文介绍了一种将自然图像上训练的 2D 分类网络的效率转移到 2D、3D 单模态和多模态医学图像分割应用中的高效方法，该方法基于权重转移和维度转移的两个关键原则，实验证明其在多维医学图像分割方面表现出色。
Jul, 2023
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
本文提出了一种新颖的方法，利用 2D 网络对不同视角进行器官分割训练，并构建一个 3D 立体融合网络（VFN）来融合 2D 分割结果，VFN 相对较浅，包含的参数比大多数 3D 网络少，从而使得我们的框架更加高效，我们提出了一个名为交叉增强的新颖策略，最终在多个具有挑战性的腹部器官上验证了我们的框架在分割准确性和稳定性上优于现有的 2D 和 3D 方法。
Apr, 2018
通过采用扩张卷积和残差连接等现代卷积神经网络的高效和灵活的元素，该研究提出了一种高分辨率、紧凑的卷积神经网络，用于分割体积图像，并证明了其比现有的体积分割网络更紧凑，能够对大规模图像数据进行 3D 表示的学习，应用于神经解剖学结构的分割。同时也展示了通过 dropout 实现体素级不确定性估计的可行性。
Jul, 2017
通过使用三维卷积神经网络结构以及针对标注数据稀少、标注实例失衡和三维医学图像处理困难等问题进行改进与优化，本论文应用于医学图像分割领域，实现了在手部和脑部 MRI 图像上的分割与验证。
Jan, 2017
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
本文提出了一种基于稀疏注释的体积分割网络，可以在自动化和半自动化情况下使用，使用 3D 网络代替原有的 2D 操作，并通过实时弹性变形增强数据。该方法在 Xenopus 肾脏等高度变异的 3D 结构上取得了良好的分割效果。
Jun, 2016