人工智能-项目实践-图像识别-用3DVnet开发的医学图像分割

密集连接的3D CNN的分层MRI肿瘤分割 通过乐乐陈乐伍， ，阿纳斯Z.阿比丁， ，。 罗切斯特大学。 目录 介绍 该存储库包含论文“具有密集连接的3D CNN的分级MRI肿瘤分割”（ ）中描述的原始模型（dense24，densed48，no-dense）。 此代码可以直接在。 引文 如果您在研究中使用这些模型或想法，请引用： @inproceedings{DBLP:conf/miip/ChenWDAWX18, author = {Lele Chen and Yue Wu and Adora M. DSouza and Anas Z. Abidin and Axel Wism{\"{u}}ller and Chenliang Xu}, title = {{MRI} tumor

用于医学图像分割的损失函数的集合@article {LossOdyssey，标题= {医学图像分割中的Loss Odyssey}，期刊= {医学图像分析}，体积= {71}，页= {102035}，图像分割的损失函数，年= {2021}，作者= {马俊（Jun Ma）和陈建南（Jianan）和黄宏伟（Matthew Ng）和黄瑞（Rui Li）和李立（Chen Li）和杨小平（Yiaoping Yang）和安妮·L（Anne L.Martel）} doi = {https://doi.org/10.1016/j。 media.2021.102035}，网址= {https://www.sciencedirect.com/science/article/pii/S1361841521000815}}带回家的消息：复合损失函数

文献：Uncertainty-aware Self-ensembling Model for Semi-supervised 3D Left Atrium Segmentation（半监督方法：不确定性感知自增强模型） 原文：https://arxiv.org/abs/1907.07034 代码：https://github.com/yulequan/UA-MT

本书基本是ITK指导手册的中文翻译，详细目录请去相关网站查询

针对医学图像中由于偏移场的存在而导致图像灰度不均匀的问题，提出了一种基于局部区域信息的医学图像分割及偏移场矫正方法，以矫正偏移场使图像变为灰度均匀。该方法利用图像局部区域信息，通过拟合图像和原始图像构造能量函数，采用变分水平集方法进行求解。实验结果表明，该方法能够有效地实现医学图像分割及偏移场矫正，与其他分割及偏移场矫正方法相比，该方法具有较高的分割及偏移场矫正的精度和效率。

主要内容：分割概念、分割方法的分类、阈值分割、区域生长分割、交互式分割、Live wire分割、形变模型的分割、模糊连接度的分割、基于代理机模型的分割

基于各种挑战的SOTA医学图像分割方法

针对由于机体组织间的连续造成医学图像区域边界的模糊性，导致完全自动的医学图像分割算法往往不能取得满意分割效果的问题，提出了一种基于径向基函数曲线拟合的交互式模糊医学图像分割算法。首先由用户在感兴趣的区域交互地选取一些特征点，然后利用径向基函数构造一个三维空间的隐式曲面，使该曲面上的某一等值线即为分割出的区域，文中还提出了两种不同的加速算法。大量实验表明，该算法能有效处理非常模糊的医学图像。

CE-Net：用于2D医学图像分割的上下文编码器网络