Apr, 2019

扫描仪不变表示在扩散磁共振成像谐波化中的应用

PDF
TL;DR提出了一种基于不变表示的新方法，用于纠正扫描仪偏差，采用深度学习的变分自编码器构建扫描仪不变编码的成像数据，这在波及多个地点和扫描仪的纵向研究中具有广泛的应用前景。
diffusion-weighted mrisite and scanner biasesinvariant representationalgorithmic fairnessdeep learning
发现论文，激发创造
  • 基于条件不变性的表示学习，解构细胞异质性

    本文提出了一种新颖的方法，利用领域变化来学习表现出有条件对不想要的多变性或干扰的不变表示。

    Jul, 2023

  • 等变性允许处理汇集神经影像数据中的多个干扰变量

    本文提出了使用变换表示学习方法，在考虑多个混淆变量影响影像测量数据的情况下，实现对多个神经影像数据集进行分析。

    Mar, 2022

  • 无监督自适应隐式神经表示学习用于特定扫描的 MRI 重建

    我们提出了一种无监督的自适应粗到细框架，通过学习从多维坐标到相应信号强度的映射，有效调整监督信号的比例，从而改善过拟合问题并提高 MRI 重建的整体质量。

    Dec, 2023

  • MRI 并行重建的批量隐式神经表示

    基于隐式神经表示的 MRI 重建方法通过引入嵌入尺度的编码器和多层感知机 (MLP) 实现了对完全采样的 MRI 图像进行任意尺度的重建，相比其他重建方法，在公开 MRI 数据集上表现出更好的性能。

    Sep, 2023

  • 变分推断量化解剖结构分割中的观察者差异

    通过提出一种新的变分推断框架来考虑多读者不确定性，该方法利用一个潜在向量来编码多读者的变异性以及对影像数据固有信息损失进行对抗，通过优化其证据下界有效地近似分割地图的分布。实验结果表明了该方法的有效性。

    Jan, 2022

  • 学习正交解缠表示以实现公平性

    本文提出了一种新颖的分离方法来解决不变表示的问题，通过正交约束作为独立的代理来将有意义和敏感表示分离，并通过熵最大化来明确地强制有意义的表示对敏感信息不可知。该方法在公开的数据集上进行了评估，并将其与最先进的方法进行了比较，证明其在处理公平性和不变性方面具有最先进的性能。

    Mar, 2020

  • 分层体系结构中不变表示的无监督学习

    我们提出了一种基于无监督自动学习的方法，可以学习出具有小样本复杂度的好的表示方法，在视觉对象识别等领域可以得到应用。通过无监督学习期间存储的一组模板，可以对每个图像块计算一种不变而又唯一的（有区分性的）签名，从而从很少的有标记例子中学习图像识别。

    Nov, 2013

  • 通过演化模型的后验采样，基于隐式神经表示的高加速 MRI

    使用基于隐式神经表示的后验采样方法（DiffINR），该方法能在高加速因子下实现逼真精确的扫描成像重建，并且可以将其推广应用于其他医学影像任务。

    Jul, 2024

  • 可解释和公平表达的空值采样

    本文提出在数据领域学习不变表示的方法，实现算法公平性的可解释性。采用了对抗训练模型和 null-sampling 程序来处理数据集中的强偏见，构建了具有可解释性的模型，并在 Colored MNIST、CelebA 和 Adult 数据集上进行实验。

    Aug, 2020

  • 面向结构连续的扩散磁共振成像信号的神经球谐函数

    我们提出了一种新颖的方法来建模扩散磁共振成像（dMRI）数据集，该方法利用人脑的结构相干性，仅使用来自单个被试的数据。使用神经网络来参数化球面谐波级数（NeSH）以表示来自人类结构连接计划数据集的单个被试的 dMRI 信号，连续地在角度和空域中。使用这种方法重建的 dMRI 信号显示出更具结构连贯性的数据表示。消除了梯度图像中的噪声，并且纤维定向分布函数沿纤维束的方向呈平滑变化。我们展示了如何使用重建来计算平均扩散度、分数各向异性和总视觉纤维密度。这些结果可以使用单个模型架构实现，并仅调整一个超参数。在本文中，我们还演示了在角度和空域中进行上采样可以实现与现有方法相当或更好的重建。

    Aug, 2023