Jan, 2018

使用深度学习学习脑 MRI 隐式流形

PDF
TL;DR采用深度学习技术，探索正常大脑的隐式流形，并通过解决图像合成和去噪问题，提出了一种新颖的无监督 T1 加权脑 MRI 合成方法，进一步证明了人工网络合成逼真图像数据的能力，从而可以更好地用于改进成像处理技术和提供大脑结构变化的定量框架。
image processingneuroimagingdeep learningmanifold learningimage synthesis
发现论文，激发创造
  • 学习神经场的信号不可知流形

    通过利用神经网络学习数据集的潜在结构，构建 GEM 模型，实现跨模态音像的模态无关表达与样本生成

    Nov, 2021

  • 领域变换流形学习进行图像重建

    本文介绍了一种基于数据驱动和监督学习的方法，自动转换来自传感器领域的中间表征数据到图像领域的重建，提高了 MRI 的重建性能和电子学习效果。

    Apr, 2017

  • 具有变分李群算子的流形对比学习

    本文提出了一种对抗学习方法，使用 Lie 群算子直接建模深度神经网络的潜在流形，在图像数据自监督评估和少标注的半监督任务中都表现出了良好的性能。

    Jun, 2023

  • 深度生成对抗网络在压缩感知自动磁共振成像中的应用

    本研究提出了一种利用生成对抗网络在历史病人的诊断质量磁共振图像上训练的压缩感知框架，能够在几毫秒内重建高对比度图像并去除混叠伪影和高频噪声。

    May, 2017

  • 合成脑图像：用生成对抗模型弥合脑部映射中的差距

    使用深度卷积生成对抗网络（DCGAN）合成高保真和逼真的 MRI 图像切片，为医学影像研究提供深度学习技术的应用。

    Apr, 2024

  • 验证图像数据的流形并集假设

    本文讨论了流形假设不适当地捕捉了图像数据中典型的低维结构。我们考虑流形联合假设，并在常用图像数据集上进行实证验证，发现观察到的数据在一个不相连的集合上。我们还发现，针对这种结构设计具有归纳偏置的模型可以提高分类和生成建模任务的性能。

    Jul, 2022

  • 图像流形的概率和语义描述及其应用

    该论文介绍了用于估计图像概率密度函数的方法，研究了生成模型在 AI 和计算机视觉领域的应用，探讨了用于防御对抗性攻击的可能性，并讨论了语义解释在描述图像上的应用。

    Jul, 2023

  • 大规模无监督深度表示学习在脑结构方面的应用

    本篇论文利用深度无监督学习方法提取结构性脑部 MRI 扫描的基本特征表示，不需手动干预或前提领域知识，该方法表现出与 FreeSurfer 特征一致的分类任务性能，并可用于重建脑部图像。

    May, 2018

  • 轨迹感知主流形框架用于数据增强和图像生成

    本研究通过验证在特征空间中使用主要流形分布相对于高斯分布的理论和实际优势，提出了一种新颖的轨迹感知主要流形框架，用于恢复流形骨干并沿特定轨迹生成样本。此外，通过引入一个内在维度正则化项，该框架能够使流形更紧凑，并实现少样本图像生成。实验结果表明，该框架能够提取更紧凑的流形表示，提高分类准确性，并在少样本之间生成平滑的变换。

    Jul, 2023

  • 深度语言表示中可分离流形的出现

    该研究使用均场理论流形分析来分析来自大规模上下文嵌入模型的语言表示，发现在不同的模型家族中出现了语言流形的证据，尤其是在多义词和包含许多单词的词性类别中，此外，发现这些流形中的线性可分性的出现是由流形半径、维度和流形间相关性的共同减少所驱动的。

    Jun, 2020