qDWI-Morph：用于胎儿肺部成熟度评估的运动补偿定量扩散加权 MRI 分析

ECCVAug, 2022

qDWI-Morph：用于胎儿肺部成熟度评估的运动补偿定量扩散加权 MRI 分析

qDWI-Morph: Motion-compensated quantitative Diffusion-Weighted MRI analysis for fetal lung maturity assessment

Yael Zaffrani-Reznikov, Onur Afacan, Sila Kurugol, Simon Warfield, Moti Freiman

TL;DR使用 qDWI-morph，我们成功地开发了一种无监督深度神经网络体系结构来实现运动补偿的定量 DWI 分析，从而提供了一种可以用于无创胎肺成熟度评估的临床可行的生物标志物。

Abstract

Quantitative analysis of fetal lung diffusion-weighted mri (DWI) data shows potential in providing quantitative imaging biomarkers that indirectly reflect fetal lung maturation. However, fetal motion during the a

diffusion-weighted mri fetal lung maturation deep-neural-network architecture motion compensation non-invasive fetal lung maturity assessment

发现论文，激发创造

IVIM-Morph: 动态补偿的定量矢量内相不相干运动（IVIM）分析用于从扩散加权磁共振成像数据评估功能性胎儿肺成熟度

IVIM-morph 是一种自监督深度神经网络模型，用于运动校正的扩散加权磁共振成像数据的定量分析，其将 IVIM 模型参数估计和运动同时进行，展示了在胎儿肺部定量分析中改善胎龄相关性，同时为非侵入性胎儿肺成熟性评估和动态扩散加权成像分析提供了潜在应用。

Jan, 2024

基于 IVIM 模型的胎肺成熟度有监督学习评估方法：数据一致性约束下的有限 DWI 数据

本文介绍了一种使用 SUPER-IVIM-DC 深度神经网络技术来提高 DWI 数据捕获 b 值数量限制的 IVIM 分析方法，透过模拟、慢性志愿者和胎儿数据的实验，发现该方法相较于以往的 DNN 方法和经典方法具备更低的正常化均方根误差及更高的胎龄相关性，可为非侵入性胎儿肺成熟性评估提供临床可行性生物标记，并可减少 DWI 数据分析的长时间获取。

Jun, 2022

FetalDiffusion：具有条件扩散模型的可控姿态 3D 胎儿核磁共振成像合成

该研究提出了一种使用条件扩散模型生成可控姿态的三维合成胎儿磁共振成像方法，并采用辅助姿态级损失来增强模型性能。实验证明，该方法生成的高质量合成胎儿磁共振成像能够准确识别胎儿姿态，并与真实胎儿磁共振成像比较具有竞争优势。此外，通过集成合成胎儿磁共振成像，可以提高胎儿姿态估计模型的性能，尤其适用于数据有限的情况下，相对于真实扫描数据，能够提高 15.4％的 PCK 值和减少 50.2％的平均误差。该方法有望更有效地解决胎儿运动问题，从而提高实时追踪模型的性能。

Mar, 2024

胎儿脑部动态矫正的文献综述

该论文提供了对 MRI 中胎儿运动校正的最新进展的全面回顾，涵盖了各种解决这些挑战的现代方法和技术进步，包括传统的 3D 胎儿 MRI 校正方法（如切片到体积注册），基于深度学习的技术（如卷积神经网络，长短期记忆网络，变形器，生成对抗网络）和最新的扩散模型。通过这次文献综述得出的见解反映出对胎儿 MRI 研究中技术细节和实际影响的深入了解，为该领域的潜在解决方案和未来改进提供了合理的观点。

Jan, 2024

FetMRQC：一个用于多中心胎儿脑部核磁共振成像质量控制的开源机器学习框架

产前诊断中，胎儿脑 MRI 成为神经超声的重要补充，通过对妊娠期间胎儿脑发育的基本洞察。本研究提出 FetMRQC，一个开源的机器学习框架，用于自动图像质量评估和质量控制，克服了临床数据异质性引起的领域转移问题。该框架从原始解剖 MRI 中提取一组质量指标，并结合随机森林模型预测专家评分。通过对超过 1600 个手动评级的胎儿脑部 T2 加权图像进行验证，显示 FetMRQC 的预测结果泛化到未知数据，并具有可解释性。FetMRQC 是更稳健的胎儿脑神经影像学研究的一步，有潜力对人脑发育产生新的洞察。

Nov, 2023

Patch2Self: 自监督学习去噪扩散 MRI

本文介绍了一种自主学习方法 Patch2Self，用于去噪扫描数据，并展示了它在研究微结构建模，纤维束连贯性跟踪和模型估计方面的有效性。

Nov, 2020

胎儿大脑的解剖学束追踪

提出了一种基于胎儿脑组织精确分割的解剖约束轨迹追踪方法，通过深度学习自动计算出精确的分割，从而显著提高扩散张量成像的准确性和可重现性。

Mar, 2024

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

深度学习用于自动筛查心律失常引起的右心室心肌病的应变量化

自动识别心脏 MR 图像中的位移异常，通过注册、形变分析和应力分析等方法进行心脏运动的量化，并在心脏病诊断中发现具有潜在价值的心脏位移变化。

Nov, 2023

LaMoD: 隐含运动扩散模型用于心肌应变生成

采用基于深度学习的算法进行心脏磁共振成像视频的运动和变形分析对于评估心功能异常的患者的心肌应变至关重要。本文介绍了一种新颖的潜在运动扩散模型（LaMoD），通过从标准心脏磁共振视频中提取的潜在运动特征，利用概率性潜在扩散模型重构准确的运动，从而显著提高了标准心脏磁共振图像中运动分析的准确性，从而改进了临床环境中心脏患者的心肌应变分析。

Jul, 2024