μ-Net: μ-CT 分割的基于深度学习的架构

Jun, 2024

μ-Net: μ-CT 分割的基于深度学习的架构

μ-Net: A Deep Learning-Based Architecture for μ-CT Segmentation

Pierangela Bruno, Edoardo De Rose, Carlo Adornetto, Francesco Calimeri, Sandro Donato...

TL;DR我们提出了一个使用卷积神经网络对鲫鱼心脏进行自动分割的新框架，该框架可以推断出样本的三维分割，从而避免了三维卷积神经网络的高计算成本，并且可以显著减少新样本分割所需的时间，实现对高分辨率鲫鱼心脏形状的快速微增强分析。

Abstract

x-ray computed microtomography ({\mu}-CT) is a non-destructive technique that can generate high-resolution 3D images of the internal anatomy of medical and biological samples. These images enable clinicians to examine internal anatomy and gain insights into the disease or anatomical mo

x-ray computed microtomography semantic segmentation convolutional neural network carassius auratus microtomography analysis

发现论文，激发创造

Micro-Net: 一种用于显微镜图像中多种物体分割的统一模型

本文基于 CNN 的深度学习结构，针对显微镜图像中的目标分割和结构定位问题进行了研究，经过多重分辨率训练和中间层连接优化，通过多分辨率反卷积滤波器生成输出，在公开数据集上取得了优异的成果。

Apr, 2018

用于胸部 X 光图像多类别分割的全卷积架构

本研究探讨和提出了用于胸部 X 光的自动多类解剖器官分割的神经网络架构，解决了在卷积网络中处理严重不平衡数据问题和减少参数数量等挑战，证明了该架构在所有考虑的器官方面表现优于现有技术，并且优于人类观察者结果，最佳模型的均值 Jaccard 重叠得分为 95.0％（肺）、86.8％（锁骨）和 88.2％（心脏）。

Jan, 2017

用于胸部 CT 中多器官分割的二维扩张残差 U-Net

本研究提出了一种深度学习框架，用于在胸部 CT 图像中分割器官的关键部分，包括心脏、食管、气管和主动脉，该方法采用扩张卷积和聚合残差连接，在网络的瓶颈处融入全局上下文和密集信息的 U-Net 风格网络，取得了 ISBI 2019 SegTHOR 挑战赛上 20 张未见过的测试样本中总的 Dice 得分为 91.57% 的优异表现。

May, 2019

SAM-VMNet：冠状动脉造影血管分割的深度神经网络

我们提出了一种新颖的体系结构 SAM-VMNet，它结合了 MedSAM 的强大特征提取能力和 VM-UNet 的线性复杂性视觉状态空间模型的优势，具有更快的推理速度和更强的数据处理能力，实现了 CTA 图像的更高分割准确性和稳定性。

Jun, 2024

应用深度神经网络进行解剖学脑分割

采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

Feb, 2015

多类点云完成网络：基于心动磁共振成像的三维心脏解剖重建

该研究提出了一种全新的完全自动化表面重建管道，能够从原始的 Cine 磁共振成像获取多类三维心脏解剖网格，其中关键组件是一种多类点云完成网络（PCCN）；研究人员证明了该算法在合成数据集和实际数据集中的高精度和鲁棒性。

Jul, 2023

心室分割：U-Net 派生方法简要比较

本文旨在探讨深度学习技术在心脏短轴 MRI 影像的语义分割中的应用，旨在增强与心脏相关的医疗疾病的诊断、监测和治疗，重点是实施各种派生于 U-Net 的体系结构，以有效地分离心脏的具体部分进行综合解剖和功能分析，并通过图像、图表和定量指标的结合来展示模型及其预测的效果，并讨论了遇到的挑战和未来改进的策略。这篇摘要简要概述了利用深度学习进行心脏图像分割的努力，强调了成就和进一步改进的领域。

Jan, 2024

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

基于图卷积网络实现稳健的心脏分割

使用图卷积神经网络的图结构消除心脏结构分割的解剖错误，实时预测结构轮廓点，并提出使用 U-Net 和图网络的模型间一致性作为输入和分割质量的预测指标。

Oct, 2023

TransONet: 使用深度学习自动分割计算机断层扫描血管造影中的血管

通过提出基于深度学习模型的方法，可以高效且准确地分割 CTA 图像中与周围动脉疾病（PAD）手术相关的下行主动脉至髂分叉和下行主动脉至膝盖部分，为医学专业人员分析血管系统健康提供了有价值的工具。

Nov, 2023