(资料图)

医学成像数据与其他我们日常图像的最大区别之一是它们很多都是3D的，比如在处理DICOM系列数据时尤其如此。DICOM图像由很多的2D切片组成了一个扫描或身体的特定部分。

那么如何为这类数据构建深度学习解决方案呢?本文中将介绍6种神经网络架构，可以使用它们来训练3D医疗数据上的深度学习模型。

U-Net体系结构是一种强大的医学图像分割模型。3D U-Net将经典的U-Net模型扩展到3D分割。它由编码(下采样)路径和解码(上采样)路径组成。

编码路径捕获输入图像中的上下文，而解码路径允许精确定位。3D U-Net在处理体积图像的3D特性方面非常有效。

V-Net架构是另一种用于体积图像分割的3D卷积神经网络。与U-Net类似，V-Net有一个编码器-解码器架构，但它使用全分辨率3D卷积，所以它比U-Net计算成本更高。

它使用一系列带有残差连接的3D卷积层。该模型是端到端训练的，可以一次处理整个3D图像。

这是对EfficientNet架构的3D改进，它不像U-Net或V-Net那样常用于3D分割，但如果计算资源有限，它是可以考虑的，因为它在计算成本和性能之间的良好权衡。

这是U-Net的一种变体，它包含了一个注意力机制，允许网络将注意力集中在与手头任务更相关的图像的某些部分。

这是一个使用双路径的3D CNN，一个是正常分辨率，另一个是下采样输入，这样可以结合局部和更大的上下文信息。

本文中，我们介绍了医学成像行业在处理3D MRI和CT扫描时使用的一些深度学习模型。这些神经网络被设计用来接收3D数据作为输入，以学习DICOM系列身体特定部位的复杂性。