Mar, 2018

DeepDRR-- 荧光引导下机器学习的催化剂

PDF
TL;DR本研究提出了一种基于机器学习的用于快速、真实模拟 CT 扫描的衍射、数字放射成像模拟的框架，并通过在盆骨的影像检测中的应用展示了模型无需重新训练和领域适应即可推广到未知的临床数据的良好表现。
machine learninginterventional radiologydeepdrrfluoroscopy simulationanatomical landmark detection
发现论文，激发创造
  • 基于真实荧光透视数据的腰椎三维重建领域适应策略

    我们的研究通过解决手术导航中的时间、成本、辐射和工作流整合等关键障碍，提出了一个从少量术中透视 X 光图像生成脊柱三维解剖模型的方法，并通过收集体现真实和虚拟透视 X 光图像的配对数据集，利用迁移学习和风格转移机制提高了深度学习模型在真实术中环境中的准确性，研究成果表明我们的方法在手术规划、导航和机器人技术领域有重要的应用潜力。

    Jan, 2024

  • 基于深度学习的放射学报告生成研究的系统综述

    深度学习在医学影像的报告生成方面的关键研究进展进行了综述，强调了基于任务特征的方法、视觉和文本信息的综合利用以及跨模态交互对于提高报告生成质量的重要性，并介绍了常用的基准数据集和评估指标，分析了不同方法的性能并展望了未来发展方向。

    Nov, 2023

  • 使用深度学习自动标记德语胸部 X 光放射学报告

    本研究探索了使用基于规则的标签机器人进行弱监督的深度学习标签预测模型的潜力，并提出了一种深度学习的 CheXpert 标签预测模型，该模型在基于规则的德国 CheXpert 模型标记的报告上进行了预训练，并在少量手动标记的报告数据集上进行了微调。结果表明，本方法的有效性显著优于基于规则的模型，并强调了即使在稀疏数据场景下，采用深度学习模型的好处和规则标记器作为弱监督工具的用处。

    Jun, 2023

  • 针对无监督域自适应的任务驱动生成建模：应用于 X 射线图像分割

    本文提出了一种通过学习自动解析 3D CT 扫描并将其应用于 X 光图像中的新模型框架 DI2I 和 TD-GAN，该框架在未见过的真实 X 光图像上实现了同时样式转换和解析的效果，且不需要 Topogram 标签即可实现 85% 的平均 Dice 精度，与有监督训练的 88% 相当。

    Jun, 2018

  • 基于深度学习的术中磁共振图像重建

    通过对深度学习重建的质量进行评估，本研究旨在评估前瞻性加速的术中磁共振成像（iMRI）在切除性脑肿瘤手术中的质量。

    Jan, 2024

  • 使用深度强化学习控制模拟 MRI 扫描仪

    采用深度强化学习控制 MRI 扫描仪，通过游戏的框架解决重建图像的问题，结果表明深度强化学习可在具有有限监督并无需提供人类可读输出的复杂任务中实现自主 MRI 数据采集。

    May, 2023

  • 探索基于深度学习的脑 MRI 到 CT 合成中的对比度泛化

    研究领域：通过深度学习及领域随机化技术生成高质量头部合成计算机断层扫描图像，提高医疗影像辅助治疗的精度。

    Mar, 2023

  • 基于云的联邦学习框架用于 MRI 分割

    本研究提出了一种面向农村医疗机构的脑组织分割新框架，采用深度强化学习环境与本地部署的细化模型相结合。该框架通过有限数据集的训练，验证了其在多样性场所的分割准确性，使得平均准确率达到 92%。

    Mar, 2024

  • X 射线到 CT 图像融合的全可微相关驱动 2D/3D 配准

    我们提出了一种新颖的全可微相关驱动网络，使用双分支 CNN-transformer 编码器从图像中提取并分离低频全局特征和高频局部特征，同时采用了基于嵌入信息的相关驱动损失进行特征分解，并使用了学习逼近凸形相似函数的训练策略。在内部数据集上的测试结果表明，我们的方法优于现有的全可微学习注册方法和传统的基于优化的基准线。

    Feb, 2024

  • 医学影像中的深度强化学习：文献综述

    这篇论文综述了深度强化学习在医学成像中的应用，分别从深度强化学习的基础知识、医学成像领域的应用及未来展望等方面进行了解析。

    Mar, 2021