汇总|医学图像分析领域论文
医学图像分析领域近年来取得了显著进展，深度学习模型在肿瘤检测、肝脏病变分割、肺部相关疾病、乳腺癌、心血管疾病等方面表现出色。例如，3D卷积神经网络（3D CNN）和深度学习模型被广泛应用于心血管疾病预测、肝脏病变分割、肺部病变检测、乳腺癌诊断以及心血管疾病风险评估。这些模型通过分析复杂的医学图像，帮助医生更精准地诊断疾病并制定治疗方案。此外，支持向量机（SVM）、梯度增强判别网络（GEB）等传统机器学习方法也被应用于肿瘤检测和心血管疾病预测。总体而言，深度学习在医学图像分析中展现出强大的潜力，为临床诊断提供了有力支持。
作者为Tom Hardy。
日期为2020年1月9日。
来源为《医学图像分析领域论文汇总》。
医学图像分析相关期刊会议汇总
1、医学图像分析 (MedIA)
2、IEEE 医学图像学报 (IEEE-TMI)
3、IEEE 生物医学工程学报(IEEE-TBME)
4、IEEE 生物医学与健康信息学杂志 (IEEE-JBHI)
5、国际计算机辅助放射学和外科学杂志 (IJCARS)
6、医学影像信息处理国际会议 (IPMI)
7、医学图像计算与计算机辅助干预国际会议 (MICCAI)
8、计算机辅助干预信息处理国际会议 (IPCAI)
10、IEEE国际生物医学成像研讨会 (ISBI)
胰腺相关
Globally Guided Progressive Fusion Network for 3D Pancreas Segmentation（MICCAI 2019会议：旨在通过全局引导的渐进融合网络实现三维胰腺分割）
Leveraging 2D Networks and 3D Features for Automated Segmentation of the Pancreas within Volumetric CT Image Data Sets（MICCAI 2019）
脑部相关
Investigating Alzheimer's disease: a neuroimaging research employing 3D convolutional neural networks
该系统通过深度学习模型，特别是稀疏自动编码器和三维卷积神经网络，基于大脑的MRI扫描识别阿尔茨海默氏病。
2.Alzheimer's Disease Diagnosis using a deep supervised adaptable 3D Convolutional Network
通过深度3D卷积神经网络，我们可以学习并捕获Alzheimer’s disease的通用特征，使其能够适应不同数据集域。基于3D卷积自动编码器构建的3D-CNN架构中，经过预先训练的编码器能够捕获结构性脑MRI扫描中的解剖形状变化。随后，我们对3D-CNN的完全连接顶层进行微调，以实现每个任务特定的Alzheimer’s disease分类目标。
Deep Learning in 3D for Multi-modal Imaging Guided Survival Time Prediction of Patients with Brain Tumors
基于深度学习技术，从高级神经胶质瘤患者的多模态前颅图像（包括T1 MRI、功能MRI和扩散张量成像）中，自动提取特征。具体而言，该研究采用3D卷积神经网络（CNN），并提出了一种新型网络架构，整合多通道数据，并通过学习监督特征来优化分类性能。随后，该研究训练了支持向量机（SVM）分类器，以预测患者的总生存期是长于还是短于预期。
4.Spectral Graph Convolutions for Population-based Disease Prediction
本文阐述了图卷积网络（GCN）的创新性概念。该网络能够整合成像与非成像数据，用于分析人群的大脑结构。我们将种群表示为一个稀疏图，其中其顶点与基于图像的特征向量相关联，并且边用于编码表型信息。该结构则用于在部分标记的图上训练GCN模型，其目标是根据节点特征和对象之间的成对关联来识别未标记节点的类别。
Automated identification of cerebral microbleeds using MRI scans through the application of 3D convolutional neural networks.
CMB被认为是血管周围的小出血事件，这些事件在多种脑血管疾病和认知障碍中具有关键的诊断指标。在当前的临床工作中，放射科医生需要手动标注CMB，这一过程既耗时又容易出错。本研究提出了一种新型自动检测方法，该方法利用三维卷积神经网络从磁共振图像中识别CMB。
An effective multi-level 3D convolutional neural network with densely connected conditional random fields is employed to achieve precise brain lesion detection.
开发了一种双路径11层深度的三维卷积神经网络，以应对复杂的脑部病变分割任务。该体系结构是通过深入分析针对类似应用的现有网络局限性而设计的。为了解决3D医学扫描计算负担的问题，设计了一种高效且可靠的密集型训练方案。该方案将相邻图像斑块的处理整合为一个通过网络的通道，同时能够自动适应数据中固有的类别不平衡。为了整合本地信息和更广泛的上下文数据，采用了双路径架构。对于网络的软分割后的处理，采用了3D完全连接的条件随机字段，该字段能够有效减少误报。
7.AnatomyNet: A deep learning technology aimed at performing rapid and comprehensive whole-volume segmentation of head and neck anatomy with high accuracy.
开发了一种无需模板的三维（3D）卷积深度学习网络，该网络采用端到端式架构，专为快速、全自动的头颈部解剖分割任务设计。该系统能够从头颈部CT图像中自动提取完整的体积数据，并通过一次性分割操作生成所有感兴趣区域的mask。该网络基于经典的3D U-Net架构进行设计，但在结构上进行了多项创新性扩展：首先，引入了一种全新的编码方案，能够实现对整个CT图像体积的全局分割，而不仅仅是局部区域；其次，在编码层中整合了三维压缩技术和残差模块，以提升特征表达能力；最后，创新性地将Dice损失函数与焦点损失相结合，形成了新的损失函数框架，从而显著提升了模型的训练效果和分割精度。
无监督的域适应技术在脑病变分割任务中通过对抗网络实现
该对抗网络旨在通过分段网络的激活特征来学习领域不变性。该对抗网络通过分析分段网络的激活模式，对输入数据的领域进行分类。此外，还提出了一种多连接域鉴别器，用于提升对抗训练的效果。
Medical Image Synthesis aims to augment and anonymize data through the use of Generative Adversarial Networks.
开发了一种创新的医学成像生成方法，该方法基于两个公开可用的大脑MRI数据集，通过训练生成对抗网络（GAN），成功生成具有脑肿瘤的合成异常MRI图像。该研究展示了该生成技术的两项显著优势。首先，通过将合成图像作为数据增强手段，我们显著提升了肿瘤分割算法的性能表现。其次，实证结果表明，该生成模型具备强大的匿名化功能，其在合成数据上的训练效果与在真实患者数据上的表现具有高度可比性。综上所述，本研究为解决医学成像领域两大核心挑战——即罕见病灶的发生率低以及患者数据共享受限问题——提供了一种可行的技术方案。
肺部相关
该研究采用多尺度卷积神经网络模型，用于对肺结节进行分类。
开发了一种多级学习架构-多尺度卷积神经网络（MCNN），该框架通过从交错叠置的层级结构中提取判别特征，成功捕捉结节的异质性特征。值得注意的是，为了全面量化结节的特征信息，我们的方法通过多尺度特征块的整合，结合每个输入尺度在最后一层的激活响应，系统性地学习并提取一组特定类别特征。实验证明，该方法无需结节分割即可有效区分恶性和良性结节。
By employing Multi-View Convolutional Neural Networks, the False Positive Rate in Pulmonary Nodule Detection using CT scans can be effectively reduced.
该系统基于多视图卷积网络（ConvNets）实现肺结节识别功能，能够自动生成特征描述。该系统通过将结瘤candidates输入到网络中，其中每个结瘤candidates由三个candidate detectors组合而成，分别检测实心、亚实心和大结节。对于每个候选区域，系统从不同方向的平面中提取一组二维补丁特征，并通过专用的特征融合模块将各stream的输出进行整合，最终完成分类任务。
- DeepLung: Advanced 3D 双路径网络架构用于系统自动完成肺结节的检测及分类
提出了一种全自动的肺部计算机断层摄影（CT）癌症诊断系统DeepLung。DeepLung由两个部分组成，结节检测（识别候选结节的位置）和分类（将候选结节分类为良性或恶性）。考虑到肺部CT数据的3D性质和双路径网络（DPN）的紧凑性，分别设计了两个深层3D DPN用于结节检测和分类。具体来说，具有卷积神经网络（R-CNN）的3D更快区域被设计用于带有3D双路径块和类似U-net的编码器-解码器结构的结节检测，以有效地学习结节特征。对于结节分类，提出了具有3D双路径网络特征的梯度增强机（GBM）。结节分类子网已在LIDC-IDRI的公共数据集上进行了验证，其分类性能优于最新方法，并且基于图像模态超过了经验丰富的医生。在DeepLung系统中，首先通过结节检测子网检测候选结节，然后通过分类子网进行结节诊断。大量的实验结果表明，在LIDC-IDRI数据集上，DeepLung在结节级和患者级诊断方面的表现均与有经验的医生相当。
4.Computer-Assisted Diagnostics using Deep Learning-Based Architectures: Applications in US ultrasound images and CT scans for breast lesions and pulmonary nodules
本研究系统性地探讨了基于深度学习的计算机辅助诊断（CADx）方法。通过主动避免因图像处理结果不准确（如边界分割不当）而导致的潜在诊断错误，本研究实现了良恶性结节/病变的鉴别诊断。此外，大多数常规CADx算法所依赖的功能集因功能单一而导致的分类偏差。在两个CADx应用程序中，本研究采用了堆叠式去噪自动编码器（SDAE）体系结构。该体系结构充分整合了自动特征探索机制和噪声容限优势，这使其成为处理来自多种成像方式的医学图像数据固有噪声特性的理想选择。
心脏相关
End-diastole and end-systole frames are identified through a deep temporal regression network capable of accurately identifying frames of end-diastole and end-systole.
本文开发了一种创新的深度学习架构模型，命名为时间回归网络（TempReg-Net），通过将卷积神经网络（CNN）与递归神经网络（RNN）进行融合，实现了对MRI序列中关键帧的精确识别。具体而言，CNN负责提取心脏序列的空间特征，而RNN则解析时间信息。为了优化预测效果，我们在网络中引入了一个创新的损失函数，以优化预测标签的结构。经过在大量心脏序列数据上的测试，我们的方法平均在0.4帧的误差范围内，显著优于现有系统。
- 基于卷积神经网络和随机视角聚合神经网络的计算机辅助检测改进
开发了一个分两层的粗到精级联框架，该框架首先以100％的敏感度运行候选生成系统，尽管在较高FP水平下。在第二阶段，通过现有的CAD系统，生成病变候选区域或感兴趣区域（ROI或VOI）的坐标，并将其作为第二层的输入，成为本研究的核心内容。在第二阶段，通过比例转换、随机平移以及相对于每个ROI质心坐标的旋转采样，生成2D或2.5D视图。这些随机视图用于训练深度卷积神经网络（ConvNet）分类器。在测试阶段，经过训练的ConvNet为每组新的随机视图分配病变或病理等类别概率，随后在每个ROI取平均值，以计算最终的每个候选分类概率。第二阶段的行为具有高度选择性，能够在保留高灵敏度的同时有效抑制误报。
眼睛相关
Automated Feature Extraction for the Grading of Nuclear Cataracts using Deep Learning Models
本研究开发了一种系统，能够从裂隙灯图像中自动提取用于核性白内障严重程度分级的特征。该系统首先通过聚类分析，从相同等级的镜片图像斑块中获取局部滤波器。这些滤波器随后被输入至卷积神经网络，随后通过递归神经网络进一步提取高阶特征。通过这些功能，支持向量回归模型得以建立，从而确定白内障的严重程度。
Fast Efficient Training of Convolutional Neural Networks Using Selective Data Sampling Techniques: Application to Hemorrhage Detection in Color Fundus Images
本文提出了一种动态调整分类错误的负样本比例的方法，用于优化和加速医学图像分析任务的CNN训练过程。基于CNN当前状态，采用启发式方法对训练样本进行分类采样。权重被赋予训练样本，而信息样本可能包含在下一个CNN训练迭代中。通过训练采用（SeS）和（NSeS）两种采样方法的CNN模型，评估并比较我们提出的方法。研究方法专注于对彩色眼底图像中出血区域的检测。
3.A Convolutional Neural Network (CNN) incorporating Structured Output Prediction Framework for Retinal Vessel Segmentation
眼底图像自动分割视网膜血管是计算机辅助诊断视网膜疾病的重要手段。鉴于血管背景在嘈杂背景下的极端变化，血管分割任务的难度较大。本文将分割任务表述为多标签推理任务，并结合卷积神经网络和结构化预测，展现出显著的优势。该模型不仅具有卓越的性能，其准确度达到95.33%，AUC值为0.974，显著优于现有技术。
肝脏相关
SurvivalNet: A neural network framework employing cascaded fully convolutional and 3D convolutional layers to predict patient survival outcomes from diffusion-weighted magnetic resonance imaging data.
在肝细胞癌（HCC）研究领域，无创评估技术的引入可能显著提升患者肿瘤治疗策略的制定。本研究开发了一个创新性的框架，能够从扩散张量成像（DWI）图像中自动表征HCC病变的恶性程度。该研究主要分为两个阶段进行预测：首先，采用多级卷积神经网络（CFCN）进行HCC肿瘤区域的自动分割。随后，构建了一个三维神经网络（SurvivalNet），利用HCC肿瘤区域的分割结果来预测病变的恶性程度。研究将此任务归类为二分类问题，其中两类为“低风险”和“高风险”，分别对应更长和更短的中位生存期。通过评估31例HCC患者的DWI数据，该框架实现了65%的端到端准确度。基于专家注释的分割结果，该框架达到了69%的Dice指数，肿瘤恶性程度的分类准确率达到68%。
Automated Extraction and Classification of Liver Lesions in CT Scans employ stacked fully convolutional neural networks and 3D conditional random fields.
肝脏及其病变的自动化分割旨在为准确的临床诊断和计算机辅助决策支持系统提供定量生物标志物的关键步骤。本文提出了一种采用级联的完全卷积神经网络结构和密集3D条件随机场模型的自动分割方法，用于从CT腹部图像中提取肝脏及其病变。
Automated Extraction and Classification of Liver Lesions and Tumors from Computed Tomography (CT) and Magnetic Resonance Imaging (MRI) datasets, implemented through a Cascaded Fully Convolutional Neural Network architecture.
本文开发了一种基于级联完全卷积神经网络（CFCN）的自动化肝脏和病变分割方法，该方法可应用于大型医学试验和定量图像分析。通过分别训练两个FCN并进行级联处理，实现肝脏及其病变的联合分割。首先，我们训练第一个FCN以实现肝脏的分割，所得结果作为第二个FCN的区域-of-interest（ROI）输入。随后，第二个FCN仅在第一个预测的肝脏ROI区域内进行病变分割。在包含100例肝肿瘤体积的腹部CT数据集上训练CFCN模型。通过验证，该方法在肝脏的Dice得分上表现优异，达到了94.5%以上的水平，且计算效率显著提升，处理每个肝肿瘤体积所需时间低于100秒。
4.SurvivalNet: Forecasting patient survival outcomes from diffusion-weighted magnetic resonance imaging (DWI) scans using a cascaded architecture incorporating both fully convolutional and 3D convolutional neural networks.
肝细胞癌（HCC）恶性程度的自动非侵入性评估可能会显著提升HCC患者的肿瘤治疗策略。这项研究提出了一种创新方法，能够从DWI图像中自动表征HCC病变的恶性程度。该研究将HCC恶性程度的预测分为两阶段：首先，采用多级卷积神经网络（CFCN）实现肿瘤病变的自动分割；随后，基于3D神经网络（SurvivalNet）对肿瘤进行预测。研究将此任务归类为二分类问题，其中类别为“低风险”和“高风险”，其生存预期分别比中位生存期更长或更短。
采用深度监督机制的三维网络用于自动肝部解剖结构分割，基于CT扫描数据
基于CT体积自动肝段分割在肝病诊疗中具有重要意义，同时也是一项极具挑战性的技术任务。为解决这一难题，我们提出了一种创新的3D深度监督网络（3D DSN）。该网络充分利用卷积神经网络的架构特点，不仅能够实现高效的端到端学习和推理过程，还通过引入深度监督机制，有效应对了潜在的优化难题，从而显著提升了模型的收敛速度和判别能力。基于3D DSN生成的高质量分割图，我们进一步应用条件随机场模型，获得精确的分割结果。
乳腺相关
无监督的深度学习用于乳腺密度分割和乳腺风险评估。
通过从乳房X线照片中生成一组手工制作的特征，并将结果与乳腺癌风险进行关联，可以自动进行乳房X射线风险评分。研究提出了一种基于未标记数据学习特征层次结构的方法。当使用学习到的特征作为简单分类器的输入时，可以同时解决乳房密度分割和乳房X线摄影纹理评分两个任务。所提出的模型在多个尺度上学习特征。为了控制模型的容量，引入了一种新的稀疏正则化器，该正则化器结合了生命周期和种群稀疏性。
- Deep multi-instance learning models with sparse label weighting in whole mammary gland classification
乳房X光照片的分类对于乳腺癌的计算机辅助诊断具有直接的重要性。传统的分析方法通常需要耗费大量的人力物力，以通过耗时的手工标注和专用计算模型对训练数据进行精确标注，以便在测试阶段检测这些标注。该研究受到深度卷积特征在自然图像分析中的成功应用，以及多实例学习在实例识别方面的显著成效的启发。论文提出了一种基于端到端训练的深度多实例网络，该网络能够直接对整个乳房X光照片进行质量分类。本文探讨了三种不同的方案来构建用于整个乳房X光照片分类的深层多实例网络。在INbreast数据集上的实验结果表明，与以往依赖分段和检测注释的工作相比，该深度网络在鲁棒性方面表现更为突出。
对抗性深度结构网络在乳腺图像分割中的应用
开发了一种新型端到端网络，用于乳腺X线摄影质量分割。该网络采用完全卷积网络（FCN）来建模潜在功能，随后通过条件随机场（CRF）进行结构化学习。为了应对质量分布随像素位置变化显著的问题，将FCN与位置先验相结合。此外，论文采用对抗训练以消除由乳房X线照片数据集的小尺寸导致的过拟合，并采用多尺度FCN以提高分割性能。在两个公共数据集INbreast和DDSMBCRP上的实验结果表明，论文中的端到端网络在性能上优于当前最先进的方法。
皮肤相关
Multi-scale tracking CNN utilizing pre-trained hybrid and lesion-specific layers
本研究提出了一种新型卷积神经网络（CNN）架构，旨在用于皮肤病变的分类任务。该架构通过整合多分辨率图像信息，结合预训练模型的优势，显著提升了分类性能。传统的CNN方法通常局限于单一分辨率的图像数据，而本研究的创新之处在于将CNN结构设计为多区域组成，每个区域能够同时处理不同分辨率的图像数据，并通过统一的视野角度分析多分辨率间的交互关系。为适应多分辨率输入的需求，本研究对传统CNN进行了优化设计，使其能够处理不同分辨率的输入信号。通过预训练模型的辅助损失函数，对优化后的网络模型进行了端到端的微调训练。实验结果表明，本研究提出的方法在公共皮肤病变数据集上实现了更高的分类准确率，并且在性能上优于现有的多尺度CNN方法。
医学三维重建
1.一种基于多层次递进的卷积神经网络结构实现动态磁共振图像重建
基于深度学习的最新进展，本研究提出了一种创新性的框架结构，该框架通过采用多层次级联的卷积神经网络（CNN）架构，从欠采样数据中高效重建2D心脏磁共振（MR）动态序列图像，从而显著提升了数据采集效率。特别地，本研究解决了传统主动笛卡尔欠采样方法在数据获取过程中的关键挑战。在独立重建每个2D图像帧时，本方法在重建精度和速度方面均优于现有的基于字典学习的2D压缩传感技术。此外，在联合重建动态序列帧时，通过巧妙结合卷积操作和数据共享机制，本研究证明了CNN能够有效学习和提取时空相关性特征。实验结果表明，所提出的方法在保持图像重建质量的同时，显著提升了性能，能够以高达11倍的欠采样率准确恢复复杂的解剖结构。在重建速度方面，本方法表现出色：完整动态序列的重建时间不到10秒，单帧图像的重建时间仅为23毫秒，这为实时医疗应用奠定了坚实基础。
其它
Evaluating Knee Osteoarthritis Severity in Radiographic Images via Deep Convolutional Neural Networks
该研究开发了一种创新的方法，能够基于X射线照片自动评估膝关节骨关节炎（OA）的严重程度。
2.A Deep Semantic Mobile Application for Thyroid Cytopathology
甲状腺细胞病理学为探讨甲状腺病变及其鉴证的病理学分支。病理学家通过观察具有高度视觉差异性特征的细胞图像，以研究不同解剖结构及其病理特征。为辅助医生识别和搜索图像，论文提出了一种深度语义移动应用程序，以丰富病理学和机器学习技术的数字化方面的最新进展。在这些领域，计算机技术为病理学家提供了变革性的机会。论文所提出的系统采用自定义的甲状腺本体结构，通过深度学习技术从图像中提取和分析多媒体元数据，以实现数据的扩充和优化。本文详细描述了一种深度卷积神经网络方法，及其在细胞病理学分类中的应用。论文提出的方法能够将经过数百万通用图像训练的深度学习网络模型，应用于仅有数百或数千张图像的医疗场景，以提高分类效率和准确性。
Domain Transferred Deep Neural Networks在胎儿超声中的标准平面定位
基于超声视频中复杂解剖学特征的标准平面自动识别仍面临较大难度。本研究提出了一种学习算法，通过设计一种域转移深度卷积神经网络（CNN）在超声（US）视频中实现胎儿腹部标准平面（FASP）的识别。与基于低级特征的传统方法相比，该方法能够更准确地捕捉FASP的复杂外观特征，从而显著提升分类性能。
为了有效缓解过拟合问题，本文提出了一种转移学习策略。该策略通过将训练后的基础CNN低层特征从大量自然图像数据库中迁移至特定任务中的特定CNN结构，实现了模型知识的有效共享。大量实验表明，本文方法在性能上显著优于仅基于有限US训练样本的FASP本地化方法以及最新的CNN训练方法。该方法不仅适用于当前任务，还可以扩展至其他类似医学图像计算问题。值得注意的是，这类问题通常面临由小样本训练数据导致的性能下降问题。
Fully automated identification of anatomical landmarks on lower extremity bones is achieved via convolutional neural networks.
在3D医学图像中，股骨远端骨骼的解剖标志的精确定位对于膝盖手术和生物力学分析具有重要意义。然而，landmark识别过程通常需要人工操作，也可能借助辅助工具完成，此方法既耗时长且准确性不足。本研究提出了一种自动定位方法，用于确定3D MR图像中股骨表面初始几何界标的位置。基于卷积神经网络（CNN）分类器和形状统计数据的结果，论文采用了窄带图切割优化技术，实现了股骨表面的3D分割。随后，根据表面网格的几何提示，将解剖学界标精确定位在股骨上。实验结果表明，该方法在分割股骨和定位解剖标志方面表现优异，具有高效性、可靠性和准确性。
An intelligent system for the localization of anatomical features within medical imaging contexts
快速而强大的解剖结构或病理学检测是医学图像分析中的一项基本任务。然而，当前的大多数解决方案都不是最优的，并且通过学习外观模型并详尽地扫描参数空间以检测特定的解剖结构而不受限制。另外，与外观模型或搜索策略有关的典型特征计算或元参数估计是基于局部准则或预定义的近似方案的。通过将对象外观和参数搜索策略同时建模为人工代理的统一行为任务，论文提出了一种遵循根本不同范例的新学习方法。该方法将通过强化学习实现的行为学习的优势与通过深度学习实现的有效分层特征提取相结合。论文表明，仅给出一系列带注释的图像，该代理即可自动和策略性地学习收敛到所需的解剖界标位置的最佳路径，而不是穷举地扫描整个解决方案空间。该方法在2D磁共振图像，2D超声和3D CT图像的准确性和速度方面都大大优于最新的机器学习和深度学习方法，实现了1-2个像素的平均检测误差，同时还认识到了这种缺陷图像中的对象。
Real-time detection and localization of the standard scan plane via fully convolutional neural networks in fetal ultrasound imaging.
按照既定方案执行的中期妊娠扫描在确保准确检测和清晰测量方面具有重要性。获取这些标准扫描平面需要专业的超声医师。本文探讨了一种基于卷积神经网络的全自动系统，该系统能够识别并定位到英国胎儿异常筛查计划所定义的十二种标准扫描平面。该网络设计支持实时推断功能，并具备扩展性，能够提供胎儿解剖结构的近似定位。该系统具备多用途性，既可以用于自动化扫描平面选择，也可以辅助医疗人员完成此任务。此外，该系统还可以从医疗视频中检索和定位扫描平面，从而提升诊断效率。
7.Model-Based Segmentation of Vertebral Bodies from MR Images with 3D CNNs
论文开发了一种自动化技术，该技术通过将可变形模型与卷积神经网络（CNN）相结合，基于三维磁共振（3D-MR）脊柱图像对椎体（VB）进行有监督分割。该方法创新性地结合了可变形模型的形态适应能力和卷积神经网络的特征提取能力，能够在脊柱图像分割中实现更高的准确性。
如若内容涉及版权问题，请联系作者，我们会在第一时间处理。
本群旨在为学术界提供交流平台，现正式宣布：3DCVer学术交流群已成功创建。
▲长按加群或投稿
▲长按关注我们