Feb, 2018

基于条件生成式对抗网络的多对比度磁共振成像合成

PDF
TL;DR本文提出了一种基于条件生成对抗网络的多对比度 MRI 综合新方法，该方法通过对抗损失保留高频细节，通过对注册多对比磁共振图像的逐像素损失和对非注册图像的循环一致性损失提供增强的合成性能，利用邻近切片的信息进一步提高合成品质，实验证明其优于以前最先进的方法，可以提高多对比度 MRI 检查的质量和多样性，无需需要长时间的检查。
multi-contrast mri synthesisconditional generative adversarial networkshigh-frequency detailspixel-wise losscycle-consistency loss
发现论文，激发创造
  • 生成对抗网络用于大脑影像合成的综述

    本文主要介绍了使用生成对抗网络（GAN）进行医学图像合成的研究。作者总结了最近应用 GAN 进行交叉模态大脑图像合成的进展，包括 CT 合成 PET、CT 合成 MRI、MRI 合成 PET 以及相反的方向。

    May, 2023

  • 使用多模式生成对抗网络进行 MRI 脉冲序列合成

    本篇研究提出了一种基于生成对抗网络的多输入、多输出的方法，通过利用多个序列的冗余信息，能够在单次扫描中生成患者缺失的磁共振成像序列，该方法在两个不同的 4 序列脑 MRI 数据集上进行了测试，并与单模态和多模态方法进行了比较，结果定量和定性上均优于其竞争方法。

    Apr, 2019

  • 使用生成对抗网络进行医学图像合成的数据增强和匿名化

    本研究中，我们提出了一种使用生成性对抗网络通过在两个公共数据集上训练生成合成 MRI 图像的方法，以产生具有脑肿瘤的合成异常 MRI 图像。结果表明这些合成图像提供两个独特的好处，第一是作为数据增强的一种方式，可以提高肿瘤分割的性能，第二，证明了生成模型作为匿名化工具的价值，通过使用合成数据，实现了与实际患者数据训练具有可比性的肿瘤分割结果。这些结果为解决医学成像中机器学习面临的两个最大挑战，即病理发现的小发生率和患者数据共享的限制，提供了潜在的解决方案。

    Jul, 2018

  • 物理学知识卷积神经网络生成具有通用性的合成磁共振图像

    本研究开发了一种基于物理知识的深度学习方法来合成多种脑部磁共振成像（MRI）对比度，从而加速神经影像处理，并研究了该方法的泛化能力，该方法能够将五分钟的扫描数据合成为四种标准对比度，并且具有良好的泛化性能适用于加速神经影像处理的协议。

    May, 2023

  • 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

  • 使用非配对数据进行深度 MR 到 CT 的合成

    本文提出了一种使用生成对抗网络（GAN）实现未配对 MR 和 CT 图像的合成的方法，可以利用其进行放射治疗等方面的治疗规划。经过定量评估，该模型能够合成接近参考 CT 图像的 CT 图像，并且能够超过使用配对 MR 和 CT 图像训练的 GAN 模型。

    Aug, 2017

  • 一种基于注意力机制的医学影像生成模型

    提出了一种基于注意力机制的双对比度生成模型 ADC-cycleGAN，其中加入了双对比度损失项和 $K$ 均值算法，用于多层次医学图像的合成，实验结果表明该模型具有较高的 PSNR 和 SSIM 值。

    Jun, 2023

  • 基于综合融合网络的双域多对比度磁共振成像重建

    通过深度学习，开发了一种高效的双域重建框架用于多对比度磁共振成像，重点在于最小化图像和频率域中的对比度错位以增强优化，实验证明该框架相较于现有算法在加速倍数高达 8 倍情况下具备较高的重建优势。

    Dec, 2023

  • 基于多阶段注意力生成对抗网络的高组织对比度 MRI 合成，用于胶质瘤分割

    采用 CycleGAN 并引入注意力机制和多级结构生成高组织对比度 MRI 图像，来增强 MRI 组织分割。实验结果表明，该方法在肿瘤边界分割上取得了可观的提升。

    Jun, 2020

  • 对抗生成学习实现无需目标模态基本事实的分割

    本研究提出了一种新的端到端的合成和分割神经网络（EssNet），可以在不使用 CT 手动标签的情况下同时完成未配对的 MRI 到 CT 图像合成和 CT 脾肿大分割，相比于使用合成图像独立训练分割网络的两阶段方法（0.8801），以及使用 CT 手动标签的规范多张分割方法（0.9125）和 ResNet 方法（0.9107），EssNet 取得了显著更高的中位数 Dice 相似系数（0.9188）。

    Dec, 2017