Mar, 2023

探索基于深度学习的脑 MRI 到 CT 合成中的对比度泛化

PDF
TL;DR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。
synthetic computed tomographydeep learningdomain randomizationbrain sct generationmri protocols
发现论文，激发创造
  • MR-Linac 上基于循环一致性生成对抗网络的合成 CT 用于 MR-only 自适应放射治疗

    通过深度学习生成的人工合成 CT 图像可用于 MR 引导下的自适应放射治疗中的剂量计算和优化，提高治疗计划的模拟和自适应规划效率。

    Dec, 2023

  • MRI 使用迭代全局变换模型模拟任意级别对比剂剂量

    基于深度学习的磁共振成像对比剂剂量降低和消除正受到关注，限制于高质量低剂量数据集的可用性导致这些深度学习算法受到限制。本研究提出了一种基于转换器 (Gformer) 的新型迭代建模方法，用于合成具有任意对比度增强的图像，从而对应于不同的剂量水平。Gformer 模型结合了基于子采样的注意机制和旋转位移模块，捕捉各种对比度相关特征。定量评估表明，所提出的模型性能优于其他现有方法。进一步，在剂量减少和肿瘤分割等下游任务上开展了定量评估以证明其临床实用性。

    Jul, 2023

  • 使用非配对数据进行深度 MR 到 CT 的合成

    本文提出了一种使用生成对抗网络（GAN）实现未配对 MR 和 CT 图像的合成的方法，可以利用其进行放射治疗等方面的治疗规划。经过定量评估，该模型能够合成接近参考 CT 图像的 CT 图像，并且能够超过使用配对 MR 和 CT 图像训练的 GAN 模型。

    Aug, 2017

  • 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

  • 物理学知识卷积神经网络生成具有通用性的合成磁共振图像

    本研究开发了一种基于物理知识的深度学习方法来合成多种脑部磁共振成像（MRI）对比度，从而加速神经影像处理，并研究了该方法的泛化能力，该方法能够将五分钟的扫描数据合成为四种标准对比度，并且具有良好的泛化性能适用于加速神经影像处理的协议。

    May, 2023

  • 使用有条件深度学习降低脑部 MRI 的钆剂量

    利用深度学习方法，本文针对对比增强和图像合成的挑战，通过利用预处理对比度图像对的差异图中的对比信号提取和增强，在低剂量减影图像中回避噪声和伪影用以专注于对比信号，并可实现标准剂量之外的图像合成，同时基于最近扩散模型的嵌入思想来根据影响对比增强行为的物理参数对模型进行条件化，并在多个扫描仪、场强和对比剂的合成和真实数据集上验证了我们的方法的有效性。

    Mar, 2024

  • 基于深度学习的术中磁共振图像重建

    通过对深度学习重建的质量进行评估，本研究旨在评估前瞻性加速的术中磁共振成像（iMRI）在切除性脑肿瘤手术中的质量。

    Jan, 2024

  • 具有上下文感知的生成对抗网络医学图像合成

    本文提出了一种数据驱动的全卷积神经网络，利用对抗训练和图像梯度差异损失函数来更好地建模 MRI 到 CT 的非线性关系，进而生成与之对应的 CT 图像，实验证明其准确性和稳健性，并且表现优于已有的三种方法。

    Dec, 2016

  • 深度学习模型在临床 MRI 数据外分布中的可靠性：多中心研究

    本研究利用 3117 个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像，通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力，进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现，更广泛的训练图像可以提高模型的泛化能力，并且未来的深度学习研究需要在多个外部队列上进行评估，以得到可靠的结果。

    Nov, 2019

  • 合成脑图像：用生成对抗模型弥合脑部映射中的差距

    使用深度卷积生成对抗网络（DCGAN）合成高保真和逼真的 MRI 图像切片，为医学影像研究提供深度学习技术的应用。

    Apr, 2024