Feb, 2022

通过 CycleGAN 将超声图像转换为伪解剖展示

PDF
TL;DR通过利用神经网络的 CycleGAN 方法，从医学超声图像数据中生成伪解剖图像，提高图像质量以更好地表现病变区域，其中生成伪解剖图像在病变分割中的对比度和区分度较高，可潜在地简化诊断流程并改善临床结果。
ultrasoundneural networkscycleganpseudo anatomical imageslesion segmentation
发现论文，激发创造
  • S-CycleGAN: 机器人超声成像的语义分割增强 CT - 超声图像印射

    通过引入一种名为 S-CycleGAN 的高级深度学习模型，我们在计算机断层扫描（CT）数据的基础上生成了高质量的合成超声图像，用于增强语义分割模型的训练数据集和机器人辅助超声扫描系统的开发，提高它们准确解析真实超声图像的能力。

    Jun, 2024

  • 利用 CycleGAN 和感知损失进行超声图像增强

    通过开发一种 CycleGAN 模型，增强外科超声图像的感知损失方法，有效地解决了手持设备产生低质量图像的硬件限制以及非对齐输入超声图像配对的常见挑战，从而显著提高了医学图像技术。

    Dec, 2023

  • 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

  • 约束 CycleGAN 用于有效生成改进空间分辨率的超声扇形图像

    通过引入 CCycleGAN 算法，本研究成功地改善了超声图像的空间分辨率和峰值信噪比，保留了结构一致性和背散射模式，并获得了更高质量的心壁运动估计。

    Sep, 2023

  • LOTUS：学习优化基于任务的超声图像表示

    通过模拟介质的计算，该论文提出一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。

    Jul, 2023

  • A2DMN: 解剖感知扩展多尺度网络用于乳腺超声语义分割

    通过提出一种新的结构感知网络和平滑度项，以更好地利用组织解剖学信息并生成更准确的语义边界，对乳腺超声图像进行分割，从而显著改善了肌肉、乳腺和肿瘤类别的分割结果，并产生更准确的组织边界细节。

    Mar, 2024

  • 用于无损超声测试缺陷分类领域适应性的 GAN 及替代合成噪声生成方法

    本文提出了四种唯一的数据生成方法解决了在复合材料组件的无损超声波检测过程中由于训练数据数量不足而导致的挑战，使用卷积神经网络进行训练，并在新的合成数据集上进行训练，取得了较好的实验数据分类效果。

    Jun, 2023

  • 自主超声导航的心脏超声模拟

    通过模拟管道生成大量的超声图像，以供导航相关的网络训练使用，从而实现快速准确的患者特异性超声图像生成并展示该方法在网络导航相关任务中的可用性。

    Feb, 2024

  • 转变乳腺癌诊断：实时超声到乳房 X 光片的转换，实现成本效益的诊断

    通过使用延时软件以及生成对抗网络（GANs），本研究旨在通过从噪音超声图像中提供类似乳腺 X 线摄影图像质量的实时图像，以解决超声图像在空间分辨率和噪音方面的限制。

    Aug, 2023

  • 基于循环和形状一致性生成对抗网络的多模态医学体积转换和分割

    本研究提出了一种通用的交叉模态医学图像合成方法，通过端到端的三维卷积神经网络实现具有真实感的立体图像合成和分割任务，以便作为补充训练样本，进一步提高分类器的泛化能力，生成放射疗法计划所需的 X-ray 衰减图等。对 4,496 个 CT 和磁共振成像 (MRI) 心血管体积的广泛实验表明，两个任务相互促进，耦合这两个任务比单独解决它们更有利。

    Feb, 2018