Aug, 2020

自监督超声到 MRI 胎儿脑部图像合成

PDF
TL;DR本文提出了一种基于超声图像合成类似磁共振图像的方法，该方法自监督、端到端可训练，并利用交叉模式关注和对抗性学习等技术，成功生成了逼真的胎儿 MRI 图像。
fetal brain mriultrasoundimage synthesiscross-modal attentionadversarial learning
发现论文，激发创造
  • 实现逼真的超声胎儿脑成像合成

    本文利用 GAN 技术生成 256x256 胎儿超声横颞脑平面图像，结果表明 GAN 技术可以生成逼真的高分辨率超声图像，为将来合成其他胎儿脑平面、解剖结构和设备的工作奠定了基础。

    Apr, 2023

  • BrainVoxGen：用于超声到磁共振图像合成的深度学习框架

    本研究提出了一种基于深度学习框架的方法，旨在利用 Pix2Pix GAN 模型从三维超声图像合成三维 MRI 体积。利用 3D 超声卷积数据集输入到 UNET 生成器和修补鉴别器，创建相应的 3D MRI 体积。通过对 3D 超声和 MRI 图像数据集应用鉴别器和生成器的损失函数来评估模型性能。结果表明合成的 MRI 图像与预期结果存在一定的相似性。尽管在数据集大小、计算资源和技术复杂性方面存在挑战，但该方法成功生成了具有满意相似性评分的 MRI 体积，并可作为进一步研究的基线。它突显了基于深度学习的体积合成技术在超声到 MRI 转换中的潜力，展示了其在医学应用中的可行性。需要进一步改进和探索以提高临床相关性。

    Oct, 2023

  • 联合自监督和有监督对比学习用于多模态 MRI 数据：走向预测异常神经发育

    利用多模态成像、深度学习和对比学习方法，从多模态 MRI 数据中学习鲁棒的潜在特征表示，将异构特征投影到共享空间，整合不同模态和类似主体间的互补和类似信息，进而提高了异常神经发育的预测能力和计算机辅助诊断的功效。

    Dec, 2023

  • 自监督同性质超分辨率胎儿脑磁共振成像

    该文提出了一种基于自监督学习的单体积超分辨率框架（SAIR）用于胎儿脑 MRI 的图像重建，实验证明 SAIR 与多体积超分辨率重建方法相当，并且可以纳入当前的重建流程。

    Nov, 2022

  • 利用合成数据改进胎儿 MRI 中的跨领域脑组织分割

    FetalSynthSeg 是一种基于 SynthSeg 的领域随机化方法，用于通过磁共振成像（MRI）对胎儿脑进行分割，研究结果表明，在跨领域数据验证中，仅使用合成数据训练的模型表现优于仅使用真实数据训练的模型，并且在不同磁场强度和超分辨率算法下具有鲁棒性。

    Mar, 2024

  • 特征解耦的弱监督高保真超声视频合成

    本文提出了一种基于动态内容图像的高保真超声图像视频综合方法，采用自我和全面监督学习，同时采用对偶编码器和 GAN 损失策略，实现了对复杂超声瞬态运动的处理，并在大量临床数据中进行了有效验证。

    Jul, 2022

  • 智能机器人超声医生：基于互信息的少样本解缠奖励学习

    提出了一种智能机器人超声检查师，能够从专家的经验中自主学习，理解超声检查的语言，通过估计互信息和开发高斯分布滤波器来提高模型的泛化能力，并在血管和动物器官模型中进行了演示实验，证明了该方法的稳健性。

    Jul, 2023

  • 基于区域一致性的半监督学习用于胎儿脑 MRI 质量评估

    本研究提出了一种基于半监督的深度学习方法，通过均值教师模型及 ROI 一致性损失检测胎儿脑体积扫描中的伪迹，结果表明相比于有监督学习，该方法可以提高模型准确度约 6％，并且优于其他半监督学习方法。此外，该方法已在 MR 扫描仪上进行实现和评估，并证明了胎儿 MR 扫描过程中在线图像质量评估和图像重新采集的可行性。

    Jun, 2020

  • 基于对比学习的多模态超声引导下对脑肿瘤切除的解剖标志物检测

    提出了一种用于神经外科应用中 MRI-US 标志物检测的对比学习框架，通过训练卷积神经网络在 MRI 和 US 扫描中编码图像特征，以匹配包含 MRI 相应标志物的 US 图像块，该方法首次在 MRI-US 标志物检测方面取得了有希望的结果。

    Jul, 2023

  • 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