Jun, 2021

前列腺 MRI 和组织病理图像的弱监督配准

PDF
TL;DR该研究提出了一种弱监督的 MRI 和组织病理学图像的仿射和可变形配准方法，用于早期检测前列腺癌，可以减轻需要前列腺分割的负担，并取得了比其他方法更高的准确度。
prostate cancermriimage registrationdeep learningweakly supervised
发现论文，激发创造
  • 形变多模态图像配准用于光学测量与组织学图像的相关性

    利用深度学习技术，通过自动多模式图像配准方法，将快照乳房标本图像与对应的组织学图像进行对齐，以提高光学技术验证的准确性。

    Nov, 2023

  • 医学图像配准的半弱监督神经网络训练

    通过弱监督方法以及对未标记数据应用一致性无监督损失，本文提出了一种半弱监督注册流程，改进了模型性能，并构建了一个计算解剖图谱用于盆腔结构。

    Feb, 2024

  • 基于变形 MRI 序列配准的人工智能前列腺癌诊断

    通过使用图像配准算法研究了人工智能诊断算法的影响，发现虽然图像配准显著提高了病变对齐效果，但直接导致诊断准确性的显著提升仍未能得到证实。定性分析表明，同时开发图像配准方法和诊断人工智能算法可以提高诊断准确性和患者预后。

    Apr, 2024

  • 多模态图像配准的弱监督卷积神经网络

    本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

    Jul, 2018

  • 结合弱监督和强监督对前列腺癌组织学图像进行分类

    本研究通过联合训练两个数据集以及引入一种梯度更新机制，旨在自控弱监督信号，基于大型弱标记数据集和小型强标记数据集，自动赋予前列腺癌全层切片的格里森分数的任务。我们的方法在与标准格里森评分方法比较时取得了优异的性能。

    Nov, 2018

  • 组织学肿瘤弱监督多实例学习分割

    本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在 The Cancer Genome Atlas 和 PatchCamelyon 数据集上进行了评估，显示出一定的潜力.

    Apr, 2020

  • 基于混合注册的前列腺图谱分割

    本文介绍了一种半自动半自动前列腺磁共振图像分割方法的初步结果，旨在将其纳入前列腺放射性治疗的导航系统中。该方法基于由 18 个磁共振检查组成的人群计算的解剖图谱的配准，并采用一种混合配准框架，将基于强度的配准与强大的点匹配算法相结合，用于解剖图谱的构建和配准。在与专家分割相比的验证中，该方法的平均误差为 3.39 毫米，标准差为 1.95 毫米。我们认为，这种分割工具可能对临床医生的常规定量图像分析非常有帮助。

    Jun, 2008

  • 基于标签驱动的弱监督学习用于多模态变形图像配准

    采用标签驱动式表达，利用卷积神经网络的密集位移场，通过最小化变形移动标签和固定标签的交叉熵函数，使医学图像的标志物在不同模态之间匹配，改进了医学图像的对齐性。

    Nov, 2017

  • MR-CT 图像弱监督下的颈部宫颈癌放射治疗对齐与配准

    通过利用计算机断层扫描（CT）和磁共振成像（MRI）多模态图像的信息特征，我们提出了一种初步的空间对齐算法和弱监督多模态注册网络，有效地实现了不同深度的多模态图像的自动对齐，通过金字塔特征和代价体积来估计光流，并在多种评估指标上证明了该方法在传统体积渲染对齐方法和注册网络方面的优越性，从而证明了我们模型在多模态图像注册中的有效性。

    May, 2024

  • 前列腺体内微超声和体外伪全切片病理图像的图像配准：概念验证研究

    使用图像注册技术，作者提出了对微型超声进一步应用的可能性，利用大型数据集辅助训练医生进行识别并达到较高的准确率，有望应用于前列腺癌的早期诊断和治疗中。

    May, 2023