Jun, 2024

基于深度驱动几何提示学习的腹腔镜肝脏标志检测

PDF
TL;DR为了在腹腔镜肝脏手术中提供直观指导信息，本文提出了一种基于深度驱动几何提示学习网络的方法（D2GPLand），该方法结合二维 - 三维融合技术，在 L3D 数据集上取得了最新的性能，具有 63.52％的 DICE 和 48.68％的 IoU 得分。
laparoscopic liver surgeryliver anatomical landmarksdetection methodsdepth-driven geometric prompt learning network2d-3d fusion technology
发现论文，激发创造
  • 腹腔镜肝切除术中术前至术中图像融合增强现实方法的客观比较

    在腔镜肝切除手术中，增强现实是一种可视化模式，能够帮助医生在腔镜图像上投影肿瘤和嵌入在肝脏内的血管，通过将其映射到术中腔镜图像中，从而实现定位。该研究主要针对 2D 和 3D 标志物自动检测和标记，以及 3D-2D 配准任务进行深入探讨，并提出了当前限制和未来研究方向。

    Jan, 2024

  • LapSeg3D: 采用点云的弱监督语义分割技术分析腹腔镜场景

    本文提出了一个新颖的 LapSeg3D 基于深度学习的方法，用于手术场景的语义分割。通过针对胆囊进行半自动聚类标注管道生成标签，该方法可用于手术场景的自动化任务，其在不同数据集上测试胆囊分割的准确率（F1 score）达到了 0.94，且可适用于不同的 RGB-D 相机系统。

    Jul, 2022

  • FaceLift: 半监督的三维面部关键点定位

    介绍了一种采用半监督学习方法，在没有 3D 地标数据集的情况下，通过直接提取（可见的）手工标记的 2D 地标，并确保更好的定义对齐，从而学习 3D 地标。该方法利用 3D 感知的生成对抗网络进行更好的多视角一致性学习，并利用实景多帧视频进行鲁棒的跨领域泛化。实证实验证明，该方法不仅在 2D-3D 地标之间实现了更好的定义对齐，还在 3DMM 标记和摄影测量基准数据集上优于其他监督学习的 3D 地标定位方法。

    May, 2024

  • 基于拓扑自适应深度图学习的结构化地标检测

    本文提出了一种新的深度图形学习方法来进行精准的解剖面和医学（如手、骨盆）标志物检测，该方法结合了局部图像特征和全局形状特征，基于两个图卷积网络（GCNs）学习任务特定的结构。该方法在公共人脸图像数据集和 X 射线医学数据集上的实验结果表明，在鲁棒性和准确性方面的表现都优于先前的最新方法。学习到的图形拓扑的质量可视化证明了标志物背后物理上合理的连接。

    Apr, 2020

  • 单目内窥镜深度估计的几何感知深度神经网络

    本文提出了一种在内窥镜术中进行单目深度估计的方法，该方法利用几何一致性损失和梯度损失来提高重建效果，并使用合成的 RGB-Depth 数据集来捕捉解剖结构上的反射和照明变化，实验结果表明该方法在实现视频 - CT 配准算法的精度要求时，具有优于现有方法的表现。

    Apr, 2023

  • EchoGLAD: 基于层次化图神经网络的心脏超声图左心室地标检测

    通过介绍一种基于超声心动图的分层图神经网络（EchoGLAD），用于左心室标志点检测，本研究提出了一种多分辨率标志点检测的分层图表示学习框架，并通过多级损失引入了不同粒度的分层监督。在两个数据集上，我们的模型在内部分布和外部分布的情况下，均取得了最新的绝对误差最小值，并且在测试中取得了较好的外部分布泛化效果。

    Jul, 2023

  • 基于对比学习的多模态超声引导下对脑肿瘤切除的解剖标志物检测

    提出了一种用于神经外科应用中 MRI-US 标志物检测的对比学习框架，通过训练卷积神经网络在 MRI 和 US 扫描中编码图像特征，以匹配包含 MRI 相应标志物的 US 图像块，该方法首次在 MRI-US 标志物检测方面取得了有希望的结果。

    Jul, 2023

  • 使用 Few-shot Deep Adaptive Graph 进行 X 射线图像的可伸缩半监督地标定位

    本文提出一种基于 few-shot DAG 的半监督扩展方法，使用带 SSL 机制的教师 - 学生训练模型，在局部匹配中使用 JS 散度法来规范中间特征图的一致性，该方法在盆骨、手和胸部的地标检测任务中评估，结果较之前方法有显著提升。

    Apr, 2021

  • 一次探测医学标志物

    本文提出了一种名为 CC2D 的新型框架，用于医学图像中的一次性地标检测任务。该框架分为两个阶段：自监督学习（CC2D-SSL）和带伪标签训练（CC2D-TPL），具有较高的检测准确率。

    Mar, 2021

  • 时装地标检测的布局图推理

    本文提出了一种基于多层次的布局图推理层的方法，通过在中间表示中 na 无缝执行结构布局关系来检测多样化服装的密集关键点。实验结果表明，该模型具有优越性能，并贡献出了第一个细粒度的时尚标志物数据集以支持更全面的衣服生成和属性识别。

    Oct, 2019