Jun, 2024

肝脏三维重建及容量测量：利用部分超声扫描自动完成

PDF
TL;DR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。
3d reconstructionliver volumetryultrasound scansstatistical shape modelautomatic liver volume calculation
发现论文，激发创造
  • 使用卷积神经网络和图割自动定位及分割三维肝部影像

    该研究提出了一种基于深度学习和图割优化的自动肝脏分割算法，可在临床设置中实现高效而准确的肝容积估算，可替代耗时且不可重复的手动分割方法。

    May, 2016

  • RapidVol: 无传感器 2D 扫描快速重建 3D 超声波体积

    提出了 RapidVol：一种神经表示框架用于加快切片到体积的超声重建，并通过使用张量秩分解将典型的三维体积分解为三面板的集合，再用一个小型神经网络来存储，只需一组带有三维位置和方向（姿态）的二维超声扫描就可以进行完整的三维重建。与基于完全隐式表示的先前方法相比（如神经辐射场），我们的方法速度提高了 3 倍以上，准确性提高了 46%，而且在给出不准确的姿态时具有更强的鲁棒性。可以通过从结构先验而不是从头开始进行重建来进一步加快速度。

    Apr, 2024

  • 基于二维横截面视图的脾脏体积估计深度学习框架

    该研究提出了一个基于变分自编码器的方法，从 2D 脾脏分割图像中测量脾脏体积，优于线性回归和深度学习方法，可以集成到当前使用 2D 超声图像测量脾脏长度的标准临床工作流程中。该研究是第一个能够直接从 2D 脾脏分割图像估计 3D 脾脏体积的工作。

    Aug, 2023

  • 多阶段多目标 CT 扫描中的肝脏病变分割和检测

    通过在多个阶段运用神经网络进行多相计算机断层扫描，结合分割模型和单相训练，我们的方法在肝脏病变分割性能上取得了 1.6% 的改进，并降低了 8% 的主体间性能差异。

    Apr, 2024

  • 使用级联完全卷积神经网络自动分割 CT 和 MRI 体积中的肝脏和肿瘤

    该论文利用级联全卷积神经网络自动进行肝脏和肝脏病变的分段，以实现高质量的医学影像分析和临床诊断。论文结果表明，其分割结果和计算时间均较为准确和快速。

    Feb, 2017

  • 一个完全自动化的肝脏病变和病理淋巴结的检测和分割流水线

    本文提出了一种利用机器学习技术进行肝脏和淋巴结中癌变病灶精确鲁棒检测和分割的全自动方法，验证表明此方法对高度多样化的病灶具有较好的鲁棒性。

    Mar, 2017

  • 基于联合肝分割的肝脏病变分割

    提出了一种用于计算机断层扫描（CT）图像中肝脏和肝脏病变联合分割的模型，该模型利用两个全卷积网络并置并端对端联合训练；在 2017 年 MICCAI 肝肿瘤分割挑战赛中，我们的方法在多种评估指标上达到了竞争性的肝脏和肝脏病变检测与分割分数，不同于其他表现优秀的方法，我们的模型不需要使用外部数据，并提出了一个简单的单阶段模型进行端到端的训练。然而，我们的方法几乎达到了顶尖的病变分割性能，并在保持高召回率的情况下实现了第二高的病变检测精度。

    Jul, 2017

  • 使用对抗式图像到图像网络进行肝脏自动分割

    本文提出了一种自动高效的算法（DI2IN），利用卷积编码器 - 解码器结构和深度监督联合多级特征级联，采用对抗网络进行训练来辅助区分 DI2IN 的输出和真实数据，最终证明本方法在各种扫描协议和人群差异情况下能够取得比现有解决方案更高的肝脏分割精度和计算效率。

    Jul, 2017

  • 在黑暗中进行形状补全：从 3D 超声中完成脊椎形态学

    通过点云概率深度学习方法对被遮挡的解剖结构进行 3D 形状完整性补全，并应用于基于超声波的脊柱检查，结果表明该方法在合成数据和实际患者数据上表现一致，保留了重要解剖标志和正确位置的关键注射点。

    Apr, 2024

  • 基于 3D 深度监督网络的 CT 肝脏自动分割

    本文提出了一个新颖的 3D 深度监督网络（3D DSN）并引入深度监督机制来解决自动肝脏分割的挑战性任务，并且采用条件随机场模型来获得更精细的分割结果。在公共数据集上进行的广泛实验证明，我们的方法可以实现与最先进方法竞争的分割结果，并且具有更快的处理速度。

    Jul, 2016