μ-Net: μ-CT 分割的基于深度学习的架构

本文研究了基于CNN的深度学习结构在显微镜图像中的目标分割和结构定位问题。

提出了用于胸部X光的自动多类解剖器官分割的神经网络架构，解决了数据不平衡和参数数量的问题。

该架构在肺、锁骨和心脏的分割表现优于现有技术和人类观察者。

研究提出了一种深度学习框架，用于在胸部CT图像中分割心脏、食管、气管和主动脉等器官的关键部分。

新颖的体系结构SAM-VMNet结合了强大的特征提取能力和线性复杂性，提升了CTA图像的分割准确性。

采用深度人工神经网络实现人类脑磁共振成像的自动分割，提供了新的技术路线。

提出了一种完全自动化的表面重建管道，从Cine磁共振成像获取多类三维心脏解剖网格。

探讨了深度学习技术在心脏短轴MRI影像的语义分割中的应用，强调了与心脏相关疾病的诊断和治疗。

对3D U型模型的变体进行了基准研究，考察了不同注意力机制和网络配置对分割准确率的影响。

提出基于深度学习模型的方法，能够高效且准确地分割CTA图像中与动脉疾病相关的部分。