快速超声计算机断层扫描的盲信号分离
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
用于提高超声波计算机断层扫描图像重建的新型技术,通过神经算子实现快速波动模拟,进而加速全波形反演过程,以促进近实时超声波计算机断层扫描图像重建的临床应用。
Dec, 2023
我们提出了一种多任务深度学习方法 ProsDectNet,用于在 B 超成像中定位前列腺癌,通过最小化熵以改善模型性能,减少误报预测。在 MRI-TRUS 融合针刺活检的 289 名患者中训练和验证 ProsDectNet,然后在另外 41 名患者上进行测试,结果显示 ProsDectNet 在 B 超成像中检测前列腺癌的敏感性为 74%,特异性为 67%。我们的研究表明 ProsDectNet 有潜力用作计算机辅助诊断系统,以改善针刺活检和治疗规划。
Dec, 2023
本研究提出了使用深度学习方法从超声信号中估算声速的方法,通过在仿真数据集上训练全卷积神经网络,能够精确地估算出与文献报道一致的声速值,从而提高脉冲回波超声成像的精度和可靠性。
Feb, 2023
乳腺超声在癌症诊断中起着重要作用,是一种非侵入性、具有成本效益的方法,在肿瘤定位和癌症分类任务中深度学习的发展使得许多基于 CNN 的方法被广泛研究。在本研究中,我们旨在重新设计和构建端到端多任务架构,以进行分割和分类。通过我们提出的方法,在分割任务中,使用 DeepLabV3 + 架构,实现了 79.8% 的卓越性能和时间效率达到 86.4%。
Jan, 2024
提出了一个新颖的学习框架,利用多模态经直肠超声引导前列腺癌临床显著性分类,使用两个独立的 3D ResNet-50 从 B 模式和切变波弹性成像 (SWE) 中提取独特特征,同时加入注意模块以精确优化 B 模式特征并聚合两种模态提取的特征。此外,通过使用少样本分割任务增强分类编码器的能力,采用原型修正模块提取临床显著性前列腺癌代表性原型,针对 512 个经过活组织检查证实的前列腺癌 TRUS 视频进行了性能评估,结果表明了准确识别临床显著性前列腺癌的强大能力,达到了 0.86 的曲线下面积(AUC)。此外,该框架生成了视觉类别激活映射(CAM),可用于定位临床显著性前列腺癌,提高生物检查程序的效果。
Jun, 2024
为了有效识别临床显著性前列腺癌 (csPCa),我们提出了一个利用多模态经直肠超声 (TRUS) 视频进行临床显著性前列腺癌的分类的框架。该框架利用两个 3D ResNet-50 模型从 B 模式图像和剪切波弹性成像图像中提取特征。引入了自适应空间融合模块来聚集两种模态的特征,同时使用正交正则化损失来减轻特征的冗余。在包含 512 个 TRUS 视频的内部数据集上对该框架进行评估,其在识别 csPCa 方面取得了有利的表现,AUC 为 0.84。此外,从该框架生成的视觉类激活映射 (CAM) 图像可能为 csPCa 的定位提供有价值的指导,从而促进 TRUS 引导的靶向活检。我们的代码公开在此 https 网址。
Feb, 2024
文章对乳腺癌的检测进行了探究,提出了一种基于离散小波变换、傅里叶变换和朴素贝叶斯分类器的方法,在分析乳腺 X 线摄影图像的统计特征的基础上,实现了高准确率的乳腺癌检测。
Jan, 2022
本文提出了一种利用 Doppler 效应的血管再识别模块的 DopUS-Net,用于血管病变的自动分割和血管筛选程序的实时监测,实验结果表明,这种方法可以显著提高分割结果的准确性和鲁棒性。
May, 2023
本文提出了一种名为 XTransCT 的新型 Transformer 架构,可从二维 X 光图像中实时重建 CT 图像,该方法在图像质量、结构可靠性和普适性方面优于其他方法,并且可以在重建 3D 图像的同时实现约 300%的速度提高。
May, 2023