用于心脏 SPECT 和 CT 交叉模态配准的双分支压缩融合激活模块
提出了一种基于点云的注册和图像融合方法，用于心脏单光子发射计算机断层扫描心肌灌注图像和心脏计算机断层扫描血管造影图像间的配准与融合。
Feb, 2024
我们提出了一种用于同时进行低剂量去噪、有限视图重建和无 CT 的心脏 SPECT 的 μ 图生成的多任务学习方法 DuDoCFNet，通过联级式融合机制实现跨域和交叉模态特征融合，应用两阶段渐进学习策略来获得 SPECT 投影和 CT 导出的 μ 图的粗到细估计。我们的实验结果表明，在各种迭代和低剂量水平下，DuDoCFNet 在估计投影、生成 μ 图和 AC 重建方面的准确性优于现有的单一或多任务学习方法。
Jan, 2024
本文提出了一种用于心脏 SPECT 的交叉领域迭代网络（CDI-Net），用于同时去噪声、重建和进行无 CT 校正，并以临床数据实现实验验证。此外，本文通过消融研究证明了跨领域和跨迭代连接以及自适应权重重新校准器在提高重建性能方面的重要性。
May, 2023
本文提出使用 Squeeze & Excitation 模块，分别从空间和通道两个角度分为三个变体，提高卷积神经网络的特征表示能力，在脑部和器官分割上取得了良好的效果。
Mar, 2018
本研究提出了一种基于 3D 变换器的双域网络（TIP-Net），用于高质量的 3D 心脏 SPECT 图像重建，该方法使用深度学习方法直接从投影数据中重建 3D 心脏 SPECT 图像，然后通过图像域重建网络进一步改进重建结果。经由心脏导管术图像、核心科技医师的诊断解读和 FDA 510 (k) 认证的临床软件量化的缺陷大小的验证，与基线方法相比，我们的方法在人体研究中产生了具有更高心脏缺陷对比度的图像，从而在使用固定少角度的专用心脏 SPECT 扫描仪上实现了高质量的缺陷可视化。
Jul, 2023
提出了一种双域迭代网络方法，可从心脏 SPECT 的低剂量和少角度投影中进行端到端联合降噪和重建，且使用临床 MPI 数据实验表明，所提出的方法优于现有的图像域、投影域和双域技术，可生成更准确的投影和重建结果。
May, 2023
我们提出了一种使用卷积神经网络的深度学习多任务学习框架，将单能 CT 直接转换为双能 CT 的三种不同参数图：虚拟单色图像、有效原子序数和相对电子密度。
Sep, 2023
提供了一种方法来自动分割心肌，并在小型和低质量标签的重新重建 SPECT 恢复的视野体积上使用连续最大流算法和先验形状信息来增强 3D U-Net 自监督学习方法，实验结果显示，在高噪声 SPECT 心脏数据集上，基于先前的最先进解决方案，定量指标有了 5-10% 的增长，为解决少样本自监督学习问题提供了可行的方法。
May, 2024
提出一种新颖的基于翻译的无监督可变形图像配准方法，该方法利用双流方式调节变形场以实现更好的配准性能，并使用计算效率高的相似度度量对多模态配准网络进行有效训练，并在两个临床数据集上验证了其优越性能。
Jul, 2020
该研究提出了一种新的基于深度学习的框架 ——ACSGRegNet，该框架通过集成交叉关注模块和自关注模块来实现无监督的仿射和差分变形配准，通过在脊柱 CT 图像上进行广泛的实验，已经取得了比现有方法更好的结果。
Aug, 2022