AAAIJun, 2020

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

PDF
TL;DR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。
发现论文，激发创造
  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • 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

  • 基于注意力机制的脑肿瘤二阶段 MR 图像分割方法

    提出了一种基于 CASP-GAN 的协调空间注意力生成对抗网络，以及一种关注性生成跨模态分割方法，该方法在脑肿瘤分割中取得了比 CycleGAN 和部分前沿方法更好的结果。

    Apr, 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

  • 基于条件生成式对抗网络的多对比度磁共振成像合成

    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。

    Feb, 2018

  • 利用生成对抗网络在 BraTS 数据集中从现有模态合成缺失的 MRI 序列

    利用生成对抗网络合成缺失的磁共振成像序列，为医生提供更准确的脑肿瘤诊断和支持人工智能方法在脑肿瘤磁共振成像中的应用。

    Oct, 2023

  • 使用合成磁共振图像的脑肿瘤分割 ——GAN 和扩散模型的比较

    本文研究了利用生成模型如 GANs 构建的合成影像，其在大脑肿瘤分割任务上与真实影像训练的性能差异，发现实验结果在一定数据量下合成影像可以很好地训练神经网络，而常用的评估合成影像的指标无法很好地预测其在特定任务上的性能。

    Jun, 2023

  • 增强肿瘤分割的术前和术后对比乳腺磁共振成像合成

    利用生成对抗网络 (GAN) 将原始的 T1 加权饱和脂肪胸部 MRI 图像转化为相应的首次动态对比增强 MRI 序列，生成合成对比增强图像，并通过定量图像质量度量来评估生成的数据质量，将其应用于三维乳腺肿瘤分割，结果表明通过数据增强方式合成后的动态对比增强 MRI 图像在增强乳腺肿瘤分割模型的稳健性方面具有潜力，代码链接见摘要。

    Nov, 2023

  • 基于 PGGAN 的无限制脑部 MR 图像数据增强用于肿瘤检测

    本研究使用生成对抗网络（GAN）通过 Progressive Growing 技术生成 256x256 大小的 MRI 图像，结合传统数据增强技术可以有效地提高脑肿瘤检测的性能及在医学成像任务中的应用。

    Mar, 2019

  • 从 3T 采集合成 7T MRI

    用监督深度学习技术可以从 3T MRI 输入生成合成的 7T MRI。本文介绍了多种基于自定义变体的 V-Net 卷积神经网络的 7T 合成算法。我们证明基于 V-Net 模型在增强单点和多点 MRI 数据集方面的性能优于现有基准模型。我们的模型在训练了 8 个轻微创伤性脑损伤（TBI）患者的 3T-7T MRI 对后，在合成 7T 方面实现了最先进的性能。与以前的研究相比，我们的管道生成的合成 7T 图像还显示了对病理组织的优越增强效果。此外，我们还实施和测试了一种对输入分布变化具有鲁棒性的模型训练数据增强方案。这使合成的 7T 模型能够适应多中心数据集中的扫描仪内部和跨扫描仪的变异性。在包括健康受试者和轻微 TBI 患者的两个机构的 18 对 3T-7T MRI 数据集上，我们的模型保持其性能，并能在分辨率较低的 3T MRI 输入上泛化。我们的发现证明了基于 V-Net 模型在 MRI 增强方面的潜力，并为增强合成 7T 模型的泛化能力进行了初步探索。

    Mar, 2024