3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation
PulseAugur coverage of 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation — every cluster mentioning 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
深度学习模型通过连续数据映射改进树木生物量估算
研究人员开发了一种新的利用深度学习估算树木生物量分布的方法，从离散的样地级数据转向源自定量结构模型（QSMs）的连续水平生物量分布（HBD）测绘。该方法解决了传统方法中存在的边界效应问题，尤其是在较小的田间样地中。研究表明，基于QSM的模型在较小的样地尺寸下始终优于传统的森林清单（FI）方法，而HBD参考显著降低了误差并提高了R平方值。
-
Render-FM 实现实时照片级 CT 扫描渲染
研究人员开发了 Render-FM，这是一种新颖的前馈模型，专为 CT 扫描的实时照片级体积渲染而设计。该模型通过直接预测渲染参数，将渲染过程的速度从数小时或数分钟显著提高，缩短至短短 2.8 秒。Render-FM 采用了解剖引导式预处理技术，以提高医学成像的准确性，并展示了对未见解剖结构和传递函数的泛化能力，从而无需额外的准备时间即可实现组合器官可视化。
-
新AI框架改进CT扫描中的创伤检测
研究人员开发了CT-VDETR，一种用于检测CT扫描中创伤性损伤的新型框架，解决了体素级标注有限的挑战。该系统结合了使用掩码图像建模的自监督预训练和半监督式Transformer检测器。该方法在RSNA腹部创伤检测任务上，仅使用78个标注的训练卷，就实现了比仅监督式训练高1.53倍的改进。
-
新型扩散模型增强 MS 病灶 MRI 扫描合成
研究人员开发了 Lesion-DDPM，一个新颖的 3D 条件扩散框架，旨在为多发性硬化症 (MS) 研究合成医学图像。该方法特别增强了准确表示 MS 数据集中常见的小而稀疏的病灶的图像生成能力。通过结合多级解剖掩模注入和病灶加权重建损失，Lesion-DDPM 旨在提高神经影像机器学习模型的鲁棒性。实验表明，在 Lesion-DDPM 生成的扫描上训练的模型，与在现有合成数据集或仅真实扫描上训练的模型相比，在下游病灶分割任务上取得了更好的性能。
-
新的ViASNet模型预测视频广告的观众参与度
研究人员开发了ViASNet，一种专为短视频广告设计的新型深度显著性预测模型。该模型基于3D U-Net架构，整合了音频线索和语义场景含义，以预测观众的观看位置和时长。ViASNet在151个视频广告上进行了测试，每个广告约有20名观众的眼动追踪数据，并通过显著性图熵分析证明了其识别缺乏吸引力内容的能力。研究表明，ViASNet可以显著加速广告设计和测试过程。
-
AI加速心脏MRI重建，提升图像质量
研究人员开发了一种用于实时同步多层（RT-SMS）bSSFP心脏MRI的快速在线重建新方法。该技术利用3D U-Net深度学习模型进行伪影抑制，在速度和图像质量方面均显著优于传统的压缩感知方法。新方法分别将采集和重建时间缩短了约13倍和50倍，同时保持了诊断级图像质量和与标准屏息成像的良好功能一致性。
-
VesselSim 使用合成数据进行3D血管分割
研究人员开发了 VesselSim，一个无需专家标注即可分割医学图像中3D血管的新框架。该系统首先使用随机的、由几何驱动的模拟生成合成血管造影体积，然后仅在该合成数据上训练一个3D U-Net模型。采用测试时自适应策略来弥合合成图像和真实图像之间的域差距，使模型能够在不同解剖区域的MR和CT临床扫描中具有竞争力。
-
深度学习提高了MRI乳腺病变分割的准确性
研究人员开发了一种k空间感知深度学习方法，该方法提高了MRI扫描中乳腺病变分割的准确性，尤其是在数据欠采样或嘈杂的情况下。这种新颖的方法在公开的DCE-MRI数据集上进行了测试，在加速采样条件下，其性能优于传统的图像空间基线。研究表明，在完全采样的情况下，将频域滤波与图像域定位相结合可以提高分割的鲁棒性，而不会牺牲准确性。
-
深度学习心脏分割从显式形状先验中获得的收益有限
研究人员使用 CT 扫描评估了将显式解剖形状先验纳入深度学习模型进行心脏分割的有效性。他们发现，虽然标准的 3D U-Net 模型表现强劲，但手工制作的形状先验的加入仅带来了边际和不一致的改进，有时甚至会降低性能。研究表明，当前的深度学习模型隐式地捕获了重要的解剖信息，未来的进步可能更多地依赖于复杂的学习先验，而不是简单的手工约束。
-
TSViT模型在卫星图像时间序列作物分割中领先
一篇新的研究论文比较了使用卫星图像时间序列进行作物分割的Transformer和卷积神经网络模型。研究发现，TSViT Transformer模型取得了最佳的总体结果，略优于强大的3D U-Net基线。虽然VistaFormer提供了最佳效率，但明确建模时间动态的Transformer架构被证明对这项任务至关重要。
-
新的 AI 模型提供改进的脑肿瘤分割和效率提升
研究人员开发了 DALight-3D，一种计算效率更高的 3D U-Net 变体，用于从多模态 MRI 扫描中分割脑肿瘤。该模型在参数方面优于 Residual 3D U-Net 等基线模型，实现了有利的准确性-效率权衡，同时保持了有竞争力的性能。另外，另一项研究利用 SegResNet 架构和各种精度训练，在脑肿瘤分割中取得了 0.84 的 dice 分数。
-
AI模型C2W-Tune改进了3D LGE-MRI中的心房薄壁分割
研究人员开发了C2W-Tune，一个新颖的两阶段迁移学习框架，旨在改进3D LGE-MRI扫描中薄心房壁的分割。该方法利用一个预训练的心房腔分割模型作为解剖先验，以增强薄壁的描绘。该方法在准确性方面表现出显著的改进，优于从头开始训练的基线模型，并且即使在减少监督的情况下也显示出有竞争力的结果。
-
研究人员开发公平的大脑分割主动学习方法
研究人员开发了一个新的主动学习框架，旨在提高大脑分割模型的公平性。该方法专门解决了不同人口群体之间存在的性能差异，而标准的基于不确定性的方法通常会忽略这些差异。通过根据特定群体的性能调整不确定性，并关注分割不足的亚组，该框架显著缩小了性能差距，并在资源受限的环境中提高了公平性扩展性能。
-
3D GAN合成缺失的脑部MRI对比度，保留肿瘤细节
研究人员开发了一种新颖的3D生成对抗网络，名为3D-MC-SAGAN，旨在从单一T2w输入合成缺失的多对比度磁共振成像（MRI）模态。该框架旨在通过生成高保真度的T2f、T1n和T1c图像来减轻冗长MRI扫描的负担，同时明确保留关键的肿瘤特征。该模型包含一个内存受限的混合注意力块，用于捕捉长距离依赖性，并采用一个冻结的分割网络来强制执行肿瘤一致性约束，在定量指标和视觉真实性方面均展现出最先进的性能。