{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,9,14]]，“日期-时间”：“2024-09-14T19:51:07Z”，“时间戳”：1726343467966}，“引用-计数”：57，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：{-“日期-零件”：[[2019,2,1]]，“时间”：”2019-02-01T00:00:00 0:00Z“，”时间戳“：1548979200000}，”内容版本“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}]，“content-domain”：{“domain”:[“medicalimageanalysisjournal.com”，“elsevier.com”，”sciencedirect.com“]，“crossmark-restriction”：true}，“short-container-title”：[“Medical Image Analysis”]，“published-print”:{“date-parts”：[2019,2]}，“DOI”：“10.1016\/j.media.2018.12.002”，“type”：“journal-article”，“created”：{“date-parts”：[[2018,12,19]]，“date-time”：“2018-12-19T03:22:48Z”，“timestamp”：1545189768000}，“page”：”174-184“，”update-policy“：”http://\/dx.doi.org\/10.10016\/elsevier_cm_policy：[“走向跨模态器官翻译和分割：一个循环和形状一致的生成性对抗网络”]，“前缀”：“10.1016”，“卷”：“52”，“作者”：[{“给定”：“金正”，“家族”：“蔡”，“序列”：“第一”，“隶属关系”：[]}，{“ORCID”：“http://\/ORCID.org\/00000-0002-6754-5123”，“authenticated-ORCID”：false，“给定”:“子照”，“家庭”：“张”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Lei”，“family”：“Cui”，”sequence“：”additional \/j.媒体2018.12.002_bib0001“，“非结构化”：“Arjovsky，M.，Chintala，S.，Bottou，L.，2017年。Wasserstein甘。arXiv:1701.07875.“}，{”key“：”10.1016\/j.media.2018.12.002_bib0002“，”非结构化“：”Berthelot，D.，Schumm，T.，Metz，L.，2017。开始：边界平衡生成性对抗网络。arXiv:1703.10717.“}，{”key“：”10.1016\/j.media.2018.12.002_bib0003“，”article-title“：”生成性对抗网络的无监督像素级域适配“，”author“：”Bousmalis“，”year“：”2017“，”journal-title”：“CVPR”}，“key”：“10.1016\/j.media.208.12.002_ bib0004”，“series-title”：”MICCAI“，”article-titel“：”放射治疗计划的稳健ct合成：应用于头颈部”，“作者”：“Burgos”，“年份”：“2015”}，{“关键”：“10.1016\/j.media.2018.12.002_bib0005”，“doi-asserted-by”：“crossref”，“非结构化”：“Cai，j.，Lu，L.，Xing，F.，Yang，L.”，2018。通过特定领域网络设计和递归神经上下文学习在CT和MRI图像中分割胰腺。arXiv:1803.11303.“，”DOI“：”10.1007\/978-3-030-13969-8_1“}，{“key”：“10.1016\/j.media.2018.12.002_bib0006”，“DOI-asserted-by”：“crossref”，“first page”：”18“，“DOI”：“101016\/j.media.2017.05.004”，“article-title”：“通过双向图像合成实现多模态图像的双核定向非刚性配准”，“volume”:“41”，“author”：“Cao”，“year”“：”2017“，”journal-title“：”医学图像分析。“}，{”key“：”10.1016\/j.media.2018.12.002_bib0007“，”doi-asserted-by“：”crossref“，”first page“：“2”，”doi“：”101016\/j.media.2016.10.005“，”article-title“：”使用磁共振脑图像的图像合成进行交叉对比度多通道图像注册“，”volume“:”36“，”author“：”Chen“，”year“：”2017“，”journal-title”：“Med.image Anal.”}，}“issue”：“6”，”键“：”10.1016\/j.media.2018.12.002_bib0008“，”doi-asserted-by“：”crossref“，”first page“：”1045“，”doi“：”10.1007\/s10278-013-9622-7“，“article-title”：“癌症成像档案（TCIA）：维护和操作公共信息库”，“volume”：“26”，“author”：“Clark”，“year”：“2013”，“journal-title“：”j.Digital imaging“}，{“issue”：“12”，“key”：”10.1016\/j.media.2018.12.002_bib0009“，”doi-asserted-by“：”crossref“，”first page“：”2598“，”doi“：”10.1109\/TMI.2016.2589760“，”article-title“：”扩展模态传播：病理病例的图像合成“，”volume“：“35”，“author”：“Cordier”，“year”：“2016”，“journal-title”：“IEEE Trans。医学成像“}，{“问题”：“3”，“关键”：“10.1016\/j.media.2018.12.002_bib0010”，“doi-asserted-by”：“crossref”，“首页”：“781”，“doi”：“101109\/TMI.2017.2759102”，“文章标题”：“端到端对抗性视网膜图像合成”，“卷”：“37”，“作者”：“科斯塔”，“年份”：“2018”，“日志标题”：《IEEE Trans.Med.Imaging》}，}“关键“：”10.1016\/j.media.2018.12.002_bib0011“，”doi-asserted-by“：”crossref“，”first page“：”114“，“doi”：“10.1016\\j.media.2017.01.009”，“article-title”：“在最小用户干预下分析乳房X光照片中肿块的深度学习方法”，“volume”：“37”，“author”：“Dhungel”，“year”：“2017”，“journal-title“：”Med.Image Anal。“｝，｛”issue“：”3“，”key“：”10.1016\/j.media.2018.12.002_bib0012“，”doi断言“：”crossref“，”首页“：”297“，”doi“：”10.2307\/1932409“，”文章标题“：”物种之间生态关联量的测量“，”卷“：”26“，”作者“：”Dice“，”年份“：”1945“，”期刊标题“：”生态学“｝，”key“：”10.1016\/j.media.2018.12.002_bib0013“，”doi-asserted-by“：”crossref“，”unstructured“：”Gong，Y.，Karanam，S.，Wu，Z.，Peng，K.C.，Ernst，J.，Doerschuk，P.C.，2017年。学习相互一致的合成视觉概念。arXiv:1711.06148.“，”DOI“：”10.1109\/CVPR.2018.00903“}，{“key”：”10.1016\/j.media.2018.12.002_bib0014“，”series-title“：”NIPS“，”article-title“：“生成对抗网”，“author”：“Goodfellow”，“year”：“2014”}，“key“：“图像识别的深度剩余学习”，“作者”：“何”，“year”：“2016”}，｛“issue”：“3”，“key”：“10.1016\/j.media.2018.12.002_bib0016”，“doi asserted by”：“crossref”，“首页”：“815”，“doi”：“10.1109\/TMI.2017.2781192”，“文章标题”：“通过弱耦合和几何共正则化联合字典学习进行跨模态图像合成”，“卷”：“37”，“作者”：“Huang”，“年份”：“2018”，“期刊标题”：“IEEE传输。Med.Imaging“}，{“key”：“10.1016\/j.media.2018.12.002_bib0017”，“article-title”：“对抗性合成学习能够在没有目标模态基本真理的情况下进行分割”，“author”：“Hou”，“year”：“2018”，“journal-title“：”ISBI“}”，{”key“：”10.1016\/j.media.208.12.002_ bib0018“，”series-title“：“MICCAI”，“article-title”：“合成mri对比度对模态间分析有用吗？“，”author“：”Iglesias“，”year“：”2013“}，{”key“：”10.1016\/j.media.2018.12.002_bib0019“，”series-title“：”ICML“，”article-title“：“批量规范化：通过减少内部协变量偏移加快深度网络训练”，”author“：”Ioffe“使用条件对抗网络进行图像到图像的翻译”，“作者”：“Isola”，“年份”：“2017年”，“新闻标题”：“CVPR”}，{“关键”：“10.1016\/j.media.2018.12.002_bib0021”，“系列时间”：“IPMI”，“文章时间”：”对抗网络脑损伤分割中的无监督领域适应“，”作者“：”Kamnitsas“，”年份“：”2017年“}，”{“键”：“10.1016\/j.media.2018.12.002_bib0022“，“series-title”：“ICML”，“article-title”：“学习发现与生成性对抗网络的跨域关系”，“作者”：“Kim”，“年份”：“2017”}，{“密钥”：“10.1016\/j.media.2018.12.002_bib023”，“非结构化”：“Kingma，D.，Ba，j.，2014。亚当：一种随机优化方法。arXiv:1412.6980.“}，{“key”：“10.1016\/j.media.2018.12.002_bib0024”，“非结构化”：“科尔，S.，博内坎普，D.，施莱默，H.-P.，雅库比，K.，霍恩菲勒，M.，哈达斯克，B.，拉德克，j.-P.，迈尔海因，K.”，2017。用于检测侵袭性前列腺癌的对抗性网络。arXiv:1702.08014.“}，{”key“：”10.1016\/j.media.2018.12.002_bib0025“，”series-title“：”CVPR“，”first page“：“5168”，“article-title”：“Refinet:高分辨率语义分割的多路径细化网络”，“author”：“Lin”，“year”：“2017”}，“key”：“10.1016\/j.media.2018.12.002_bib0016”，“series-ttle”：”NIPS“，”article-title“：“”无监督图像到图像翻译网络”，“作者”：“刘”，“年份”：“2017”}，{“key”：“10.1016\/j.media.2018.12.002_bib0027”，“series-title”：“NIPS”，“文章标题”：“耦合生成对抗网络”，”作者“：”刘“，”年份“：“2016”}在第十五届国际实验力学会议上，“article-title”：“BCDR：乳腺癌数字知识库”，“author”：“Lopez”，“year”：“2012”}，{“key”：“10.1016\/j.media.2018.12.002_bib0029”，“series-title”：《NIPS对抗训练研讨会》，“artice-title“：“使用对抗网络的语义切分”，“author”:“Luc”，“year”：《2016》}，{“key”：“10.1016\/j.media.2018.12.002_bib0030”，“series-title”：“计算机视觉（ICCV），2017 IEEE国际会议”，“首页”：“2813”，“文章标题”：“最小二乘生成对抗网络”，“作者”：“Mao”，“年份”：“2017”}，{”issue“：”2“，”key“10.1016”：“2018.12.002 _ bib0031”，“doi-asserted-by”：“crossref”，“first-page”：“236“，“DOI”：“10.1016\/j.acra.2011.09.014”，“article-title”：“Inbreast：迈向全领域数字乳房X光数据库”，“volume”：“19”，“author”：“Moreira”，“year”：“2012”，“journal-title“：”Acad.Radiol.“}，{“key”：”10.1016\/j.media.2018.12.002_bib0032“，”DOI-asserted-by“：”crossref“，”DOI“：”10.1109\/TBME.2018.2814538“，”article蒂尔”：“利用深度卷积对抗网络进行医学图像合成”，“作者”：“聂”，“年份”：“2018年”，“日志标题”：“IEEE Trans.Biomed.Eng.”}，{“关键”：“10.1016\/j.media.2018.12.002_bib0033”，“doi-asserted-by”：“crossref”，”doi“：”10.23915\/detrict.00003“，”article-title“：”去卷积和棋盘工件“，”作者“：”Odena“，”年份“2016”，“journal-title”：“Distilit”}，{“key”：“10.1016\/j.media.2018.12.002_bib0034”，“article-title“：“Gans for biological image synthesis”，“author”：“Osokin”，“year”：“2017”，“johnal-tittle”：《ICCV》}，}“key”：“101016\/j.media.2018.12.002 _ bib0035”，“series-title”：《IEEE计算机视觉与模式识别会议论文集》，“首页”：“2226”，“article-title”：“联合优化数据增强和网络训练：人体姿势估计中的对抗性数据增强”，“author”：“Peng”，“year”：“2018”}，{“key”：“10.1016\/j.media.2018.12.002_bib0036”，“series-title”：《MICCAI》，“artice-title“：U-net：生物医学图像分割的卷积网络”，“author”:“Ronneberger”，“年份”：“2015”}，{“key”：“10.1016\/j.media.2018.12.002_bib0037”，“series-title”：“胰腺癌影像档案数据”，“author”：“Roth”，“year”：“2016”}，{”key“：”10.1016\/j.media.2018.12.002_bib0088“，”doi-asserted-by“：”crossref“，”first page“：“94”，“doi”：“101016\/j.media.2018.01.006”，“article-title”：“用于胰腺自动定位和分割的整体相关卷积神经网络的空间聚集”，“卷”：“45”，“作者”：“罗斯”，“年份”：“2018”，“期刊标题”：“医学图像分析”}，{“关键”：“10.1016\/j.media.2018.12.002_bib0039”，“系列标题”：”MICCAI“，“首页”：“520”，“文章标题”：“使用深度卷积神经网络随机观测集检测淋巴结的新2.5\u00a0d表示法”，“author”：“Roth”，“year”：“2014”}，{“key”：“10.1016\/j.media.2018.12.002_bib0040”，“series-title”：“NIPS”，“article-title”：：“10.1016\/j.media.2018.12.002_bib0041”，“article-title”：“通过对抗性训练从模拟和非监督图像中学习”，“author”：“Shrivastava”，“year”：“2017”，“journal-title“：”CVPR“}，{“key”：“10.116\/j-media.201812.002_bin0042”，“unstructured”：“Ulyanov，D.，Vedaldi，A.，Lempitsky，V.，2016。实例规范化：快速样式化缺少的要素。arXiv:1607.08022.“}，{”key“：”10.1016\/j.media.2018.12.002_bib0043“，”series-title“：”MICCAI“，”article-title“：“使用有效的位置敏感深度网络进行医学图像的跨域合成”，“author”：“Van Nguyen”，“year”：“2015”}，“key”：“10.1016\/j.media.208.12.002_ bib0044”，“series-ttle”：“ICCV”，“article-title”：”主题特异性扫描的非监督交叉模式合成”，“作者”：“Vemulapalli”，“年份”：“2015”}，{“键”：“10.1016\/j.media.2018.12.002_bib0045”，“doi-asserted-by”：“crossref”，”非结构化“：”薛，Y.，Xu，T.，Zhang，H.，Long，R.，Huang，X.，2017。Segan：用于医学图像分割的多尺度l_1损失对抗网络。arXiv:1706.01805.“，”DOI“：”10.1007\/s12021-018-9377-x“}，{“key”：“10.1016\/j.media.2018.12.002_bib0046”，“article-title”：“使用对抗性图像到图像网络的自动肝脏分割”，“author”：“Yang”，“year”：“2017”，“journal-title“：”MICCAI“}”，{”key“：”101016\/j.media.2018.12.002 _bib047“，”article-title“Dualgan：图像到图像翻译的无监督双重学习”，“作者”：“Yi”，“年份”：“2017年”，“新闻标题”：“ICCV”}，{“关键”：“10.1016\/j.media.2018.12.002_bib0048”，“非结构化”：“Zbontar，j.，Knoll，F.，Sriram，A.，Muckley，M.，Bruno，M.、Defazio，A.，Parente，M.和Geras，K.j.，Katsnelson，j.、Chandarana，H.等，2018年。fastmri：加速MRI的开放数据集和基准。arXiv:1811.08839。“}，{”key“：”10.1016\/j.media.2018.12.002_bib0049“，”series-title“：”ECCV“，”article-title“：“彩色图像着色”，“author”：“Zhang”，“year”：“2016”}，“key”：“10.1016\\j.media.2018.12.002 _bib0050”，“series-ttle”：“”国际医学图像计算和计算机辅助干预会议”，“首页”：“320”，“文章标题”：“Tandemnet：使用诊断报告作为可选语义参考从医学图像中提取知识”，“作者”：“Zhang”，“年份”：“2017”}，{“key”：“10.1016\/j.media.2018.12.002_bib0051”，“series-title”：“IEEE计算机视觉和模式识别会议记录”，“首页”：“6428”，“文章标题”：“Mdnet:语义和视觉可解释的医学图像诊断网络”，“作者”：“张”，“年份”：“2017”}，{“关键”：“10.1016\/j.media.2018.12.002_bib0052”，“系列标题”：分层嵌套对抗网络的图像文本到图像合成”，“作者”：“Zhang”，“年份”：“2018”}，{“key”：“10.1016\/j.media.2018.12.002_bib0053”，“series-title”：“CVPR”，“文章时间”：“翻译和分割具有周期和形状一致性生成对抗网络的多模式医疗卷”，“作家”：“张”，“年”：“2018年“}，{“key”：“10.1016\/j.media.2018.12.002_bib0054”，“series-title”：“CVPR”，“首页”：“6230”，“article-title”：《金字塔场景解析网络》，“author”：“Zhao”，“year”：“2017”}，}“key”：学习预测和细化图像到视频生成的残余运动”，“作者”：“Zhao”，“年份”：“2018”}，{“key”：“10.1016\/j.media.2018.12.002_bib0056”，“文章标题”：“使用循环一致的对抗网络进行未成对的图像到图像转换”，“author”：“Zhu”，“year”：“2017”，“journal-title”：“ICCV”}10.1016\/j.media.2018.12.002_bib0057“，“article-title”：“胰腺自动分割的三维粗到细框架”，“volume”：“abs\/1712.00201”，“author”：“Zhu”，“year”：“2017”，“journal-title“：”CoRR“}]，“container-titlehttps:\/\/api.elsevier.com\/content\/article\/PII:S1361841518303426？httpAccept=text\/xml“，”content-type“：”text\/.xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S1361841518303426？httpAccept_text\/plain“，”内容类型“：”文本\/plaine“，”content-version”：“vor”，“intended-epplication”：“text-mining”}]，“存放”：{“日期段”：[[2019,11,12]]，“date-time“：”2019-11-12T12:57:10Z“，”timestamp“：157356343000}，”score“：1，”resource“：{主要”：{“URL”：“https:\/\/linkinghub.elsevier.com\/retrieve\/pii\/S1361841518303426”}}，“副标题”：[]，“短标题”：[]，“已发布”:{“date-parts”：[2019,2]}、“references-count”：57，“alternative-id”：[“S136184151830.3426”“]，”URL“：”http://\/dx.doi.org\/10.1016\/j.media.2018.12.002“，”关系“：{}，”ISSN“：[”1361-8415“]，”ISSN-type“：[{”value“：”1361-8615“，”type“:”print“}]，”主题“：[]，”published“：{”date-parts“：[2019,2]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“此文章由”}维护，{“值”：“走向跨模态器官翻译和分割：一个循环和形状一致的生成对抗性网络“，”name“：”articlelitle“，”label“：”文章标题“}，”value“：”医学图像分析“，”name“：”journaltitle“，”label“：”期刊标题“}，”value“：”https:\/\/doi.org/10.1016\/j.media.2081.12.0002“，”name“：”articlelink“，”label“：”CrossRef DOI链接到出版商维护的版本“}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，}“values”：“\u00a9 2018由Elsevier B.V.出版”，“name”：“copyright”，“table”：“copyright（版权）”}]}