医学图像分析领域算法汇总

本文总结了医学图像分析领域的期刊会议、重要算法及应用,涵盖胰腺、脑部、肺部、心脏、眼睛、肝脏、乳腺、皮肤等多个部位。涉及3D CNN、深度学习、自动分割等技术,应用于疾病检测、分割和生存时间预测。
摘要由CSDN通过智能技术生成

前言

本文首发于公众号【3D视觉工坊】,原文请见汇总|医学图像分析领域论文,更多干货获取请关注公众号~

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

1、Globally Guided Progressive Fusion Network for 3D Pancreas Segmentation
(MICCAI 2019:用于三维胰腺分割全局引导的渐进融合网络)
2、Harnessing 2D Networks and 3D Features for Automated Pancreas Segmentation from Volumetric CT Images
(MICCAI 2019-利用二维网络和三维特征从容积CT图像中自动分割胰腺)

脑部相关

1、Predicting Alzheimer’s disease: a neuroimaging study with 3D convolutional neural networks
使用深度学习方法,特别是稀疏的自动编码器和3D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 Diagnostics by a Deeply Supervised Adaptable 3D Convolutional Network
使用深度3D卷积神经网络可以学习捕获Alzheimer’s disease的通用特征并适应不同的数据集域。3D-CNN建立在3D卷积自动编码器的基础上,该编码器经过预训练,可以捕获结构性脑MRI扫描中的解剖形状变化。然后针对每个特定于任务的Alzheimer’s disease分类微调3D-CNN的完全连接的上层。
3、3D Deep Learning for Multi-modal Imaging-Guided Survival Time Prediction of Brain Tumor Patients
使用深度学习网络从高级神经胶质瘤患者的多模式术前脑部图像(即T1 MRI,fMRI和DTI)中自动提取特征。具体来说,采用3D卷积神经网络(CNN),提出了一种使用多通道数据和学习监督特征的新网络体系结构,并训练了SVM分类器,以预测患者的总生存时间是长还是短。
4、Spectral Graph Convolutions for Population-based Disease Prediction
本文介绍了图卷积网络(GCN)的新颖概念,可将成像和非成像数据结合起来用于人群的大脑分析。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,并且边缘编码表型信息。该结构用于在部分标记的图上训练GCN模型,目的是根据节点特征和对象之间的成对关联来推断未标记节点的类别。
5、Automatic Detection of Cerebral Microbleeds From MR Images via 3D Convolutional Neural Networks
脑微出血(CMB)是血管附近的小出血。它们被认为是许多脑血管疾病和认知功能障碍的重要诊断生物标志物。 在当前的临床常规中,放射科医生会手动标记CMB,但是此过程费力,费时且容易出错。本文提出了一种通过利用3D卷积神经网络(CNN)从磁共振(MR)图像中检测CMB的新型自动方法。
6、Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation
提出了一种双路径,11层深的三维卷积神经网络,以解决脑部病变分割的艰巨任务。所设计的体系结构是对针对类似应用而提出的当前网络的局限性进行深入分析的结果。为了克服处理3D医学扫描的计算负担,设计了一种有效且有效的密集训练方案,该方案将对相邻图像斑块的处理合并为一个通过网络的通道,同时自动适应数据中存在的固有类不平衡。为了合并本地和更大的上下文信息,采用了双路径架构,该架构可以同时处理多个尺度的输入图像。对于网络的软分段的后处理,使用3D完全连接的条件随机字段,该字段可有效消除误报。
7、AnatomyNet: Deep learning for fast and fully automated whole‐volume segmentation of head and neck anatomy
提出了一种端到端,

### 回答1: ITK(Insight Segmentation and Registration Toolkit)是一个广泛应用于医学图像分割领域的开源软件库。对于零基础入门ITK医学图像分割,我们可以通过以下资料进行学习和掌握。 首先,可以阅读ITK官方文档。ITK官方网站提供了详细的教程、示例代码和文档,包括了从基本概念到高级应用的内容,非常适合新手入门。官方文档提供了ITK的基础知识、安装指南、示例代码以及常见问题解答等。 其次,可以参考ITK的官方例子。ITK官方示例包含了许多不同领域的应用案例,其中包括医学图像分割。通过实际的示例代码,可以帮助我们理解和掌握ITK的使用方法和技巧。 此外,还可以参考相关的学术论文和教材。许多学术论文和教材介绍了ITK在医学图像分割方面的应用,其中包含了分割算法的原理和实现方法。这些资源对于理解医学图像分割的基本原理和ITK的具体应用具有重要的参考价值。 此外,网络上也有一些ITK的教学视频和博客文章。通过观看教学视频和阅读博客文章,可以系统地学习和了解ITK的各方面知识。 最后,为了更好地掌握ITK医学图像分割,建议进行实践。通过自己动手实现一些简单的医学图像分割任务,可以更深入地了解ITK的使用方法和功能。 总之,对于零基础入门ITK医学图像分割,通过阅读官方文档、参考示例、学习论文和教材、观看教学视频以及实践操作,可以逐步掌握ITK的使用方法和医学图像分割的基本原理,从而能够独立完成一些简单的医学图像分割任务。 ### 回答2: ITK(Insight Toolkit)是一种开源的、跨平台的图像处理库,广泛应用于医学图像分割领域。针对零基础入门ITK医学图像分割的资料汇总,可以从以下几个方面进行总结: 1. 官方文档:ITK官方网站提供了详细的文档和教程,包括ITK的安装、基本使用、图像分割算法等方面的介绍。官方文档对于初学者来说是学习和理解ITK的基础资料。 2. 书籍:有一些关于ITK的图书介绍了ITK的基本原理和使用方法,其中包括医学图像分割的内容。例如《ITK软件指南》(Insight into Images, Augustin et al.),该书详细介绍了ITK的基本原理和使用,并提供了一些医学图像分割实例。 3. GitHub仓库:在GitHub上,可以找到一些ITK相关的项目和代码仓库。这些仓库中包含了实际应用ITK进行医学图像分割的代码和示例。可以通过查看这些代码仓库来学习如何使用ITK进行医学图像分割。 4. MOOC课程:一些在线教育平台提供了关于ITK医学图像分割的课程。通过参加这些课程,可以系统学习ITK的基础知识和医学图像分割的相关算法。 5. 论坛和社区:在ITK的官方论坛和其他一些相关的论坛或社区上,可以与其他ITK用户和开发者进行交流和讨论。在这些论坛和社区中,可以提问问题、学习新的技术和解决问题。 以上是零基础入门ITK医学图像分割资料的汇总。通过学习相关的资料和参与实际的项目或讨论,可以逐步掌握ITK的基本原理和医学图像分割的技术。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值