本研究展示了基于深度学习的卷积神经网络可以重构二维 X 光成为三维体积，通过将粗略的，固定分辨率的体积与输入的 X 光融合成高分辨率的体积，以实现更加精细化的成像。同时，研究团队还创建了一个新的数据集，其中包括了将近 50 万个 175 个哺乳动物物种的计算机模拟二维 X 光成像的数据，为以前基于层析成像和数据驱动学习的方法提供了比较和验证，并应用于实际 X 光成像数据的重构和渲染。

Oct, 2017

利用部分超声扫描的肝脏分割掩膜与由一组 CT 扫描建立的统计形状模型相结合，通过参数回归网络计算形状参数，实现准确的三维肝脏重建和自动肝容积计算。与放射科医生使用 Childs 方法计算的肝容积相比，我们的方法统计上更接近 CT 扫描估计的结果，并对 US 图像分辨率、用于 SSM 的 CT 扫描数量以及输入 US 扫描数量等进行了验证。据我们所知，这是首个利用少量不完整的 US 扫描和一组 CT 扫描的自动肝容积测量系统。

Jun, 2024

通过对 Pix2Vox++ 网络的简单改进和一种 2D 标准心脏视图重建 3D 解剖结构的流程，实现了在有限的 2D 数据情况下的 3D 解剖结构重建，并据此发现新的生物标志物实现对人类心脏的精确几何量化。

Jul, 2022

我们介绍了一种新颖的无监督方法，可以从仅有的两个平面投影中重建三维体积，利用了先前捕获的病人的三维体积。我们展示了如何使用体积结构的生成模型来约束变形并获得正确的估计结果，同时还能适用于新的传感器校准而无需重新训练。通过在具有挑战性的数据集上进行评估，我们证明了我们的方法优于现有方法。因此，我们的方法可以在手术和放射治疗等治疗场景中使用，同时显著减少患者的辐射暴露。

May, 2024

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

通过多视角深度估计方法实现了精确简易的三维重建，在 ScanNet 和 7-Scenes 等数据集上的效果已经超过目前最先进的深度估计算法。

Aug, 2022

磁共振成像中切片到体积重建是从被运动干扰的 2D 切片堆叠中计算重建未知 3D 磁共振体积，该论文提出了一种能够克服之前方法的缺点，在极端切片间运动的情况下产生最先进的重建，通过将 SVR 形式化为单堆叠运动估计任务，并训练一个完全卷积网络来预测给定切片堆叠的运动堆叠，作为预测运动的副产品产生三维重建。大量实验证明，我们的完全卷积方法比之前的 SVR 方法精度提高了一倍。

Dec, 2023

本研究旨在开发一种超声定位系统，以通过卷积神经网络回归网络预测胎儿脑部任意定向的超声截面图像在参考标准框架下的六维姿态，同时分析评估该参考框架对标准平面获取的准确性，并探究注册质量和数据扩充等因素对训练和测试结果的影响，最终使本系统的平均翻译误差和旋转误差分别达到 3.53 毫米和 6.42 度。

Jan, 2023

本研究提出了基于卷积神经网络的新方法，可以自动检测 13 个胎儿标准扫描视图并通过边界框提供胎儿结构的定位，且只需通过图像级标签进行弱监督学习，提供实时定位，检测和检索的精度表现都很高。

Dec, 2016

通过少量的立体图像对体积视图进行重建，该文介绍了一种新颖的深度学习框架，将深度立体模型与三维卷积神经网络（3D CNN）和迁移模块相结合，能够捕捉体积的形状和动态，从而估计出大规模体积（如云）的密度和速度场。

Nov, 2023