Mar, 2022

利用回归和分类多任务网络将感兴趣区域聚焦的 MRI 转换为合成 CT

PDF
TL;DR本研究提出了一种利用多任务网络从零回波时间 MRI 生成合成 CT（sCT）的方法，重点关注骨密度值的准确预测，并通过分类定位兴趣区域（RoI）和全局回归来优化网络性能。通过与真实 CT 比较，我们证明了该方法可以提高在放射治疗计划中的准确性。
synthetic ctzero-echo-time mrimulti-task networkregion of interestbone density
发现论文，激发创造
  • 基于 3D 变压器去噪扩散模型的合成磁共振成像计算机断层成像

    使用具有转换器的漫反射概率模型（MC-DDPM）将磁共振成像（MRI）转换为高质量的合成计算机断层扫描（sCT），以便于放射治疗计划，并通过消除 CT 模拟和具有误差的图像配准，从而减少患者的辐射剂量和设置不确定性。

    May, 2023

  • 基于多任务神经网络框架的多模态 MRI 数据增强 CT 图像合成

    本研究提出了一种基于增强的 Transformer U-Net 架构的多功能多任务神经网络框架，可以同时、选择性和自适应地解决医学图像中的图像分割、实值预测和跨模态转换等关键挑战。通过对人脑 MR 和 CT 图像的公共数据集进行验证，我们将合成 CT 图像的传统问题分解为不同的子任务，包括颅骨分割、HU 值预测和图像顺序重建。为了增强该框架处理多模态数据的多功能性，我们在模型中添加了多个图像通道，并进行了基于 T1 加权和 T2-Flair 图像合成的 CT 图像比较，评估了模型从形态学和像素值角度集成多模态信息的能力。

    Dec, 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

  • 多通道循环生成对抗网络在 CBCT 到 CT 的合成中的应用

    用于改善图像质量并实现精确剂量计算的图像合成技术，通过多通道输入强调特定图像特征，有效应对 CBCT 成像中的挑战，并引入辅助融合网络以进一步提高生成 sCT 图像的保真度。

    Dec, 2023

  • 利用具有特征提取的 CycleGAN 从 CT 扫描生成增强的合成 MRI 图像

    本研究介绍了一种利用合成 MRI 图像进行增强的单模态配准的方法，通过利用 CycleGANs 和特征提取器从 CT 扫描中生成这些合成 MRI 图像，该方法在多个比较度量标准上表现出优秀的结果，验证了其有效性。

    Oct, 2023

  • 面向特征的肺部锥束 CT（CBCT）增强多任务定制感知损失的深度学习框架

    通过多任务深度学习模型，以特征为导向的深度学习框架提供了一种新的方法，用于将低质量的锥形束计算机断层成像（CBCT）图像转换成高质量的类似于 CT 的成像，从而在压制伪影的同时保留了解剖细节。

    Nov, 2023

  • 多任务学习以改善使用图像重建的 CBCT 扫描的语义分割

    通过多任务学习改进 CBCT 的自动分割，探索了基于整体和基于块状的方法，发现多任务学习在大多数情况下改善了分割效果，并且我们的去噪方法进一步提高了这些结果。

    Dec, 2023

  • 基于深度学习的脑部分割模型性能验证与临床放射治疗 CT

    通过对多中心数据集进行计算机断层扫描 (CT) 上合成分割算法 (SynthSeg) 的验证，本研究使用 SynthSeg 模型从放射治疗中心的 260 个 CT 和磁共振成像 (MRI) 数据中自动分割出大脑，并将其与 MRI 分割结果进行比较和评估。结果显示，SynthSeg 可用于基于 CT 的自动大脑分割，但其性能不如 MRI，仅适用于不要求高精度的应用，通过基于质量控制评分的阈值筛除低质量分割结果。此外，本研究鼓励进行基于 CT 的神经解剖学研究，因为结果显示了与 MRI 相似的性别和年龄相关分析的相关性。

    Jun, 2024

  • 使用 CycleGAN 从不成对数据中进行跨模态图像合成：梯度一致性损失和训练数据规模的影响

    本文研究如何通过 MR-to-CT 合成技术提高诊断组织与骨骼疾病的精准度，结合 CycleGAN 及梯度一致性损失函数的方法有效提升了对骨骼的边界识别。

    Mar, 2018

  • 探索基于深度学习的脑 MRI 到 CT 合成中的对比度泛化

    研究领域：通过深度学习及领域随机化技术生成高质量头部合成计算机断层扫描图像，提高医疗影像辅助治疗的精度。

    Mar, 2023