Jun, 2023

在脑部手术中识别术中超声图像中的可见组织：一种方法和应用

PDF
TL;DR本文提出了一种用于识别可视组织的方法，并通过检测声学阴影和建立知觉显著性的置信度图来分析超声探头与组织之间的接触。 通过现场验证和幻影数据验证了该方法的实际性能，证明了其在临床训练和优化机器人辅助超声组织扫描方面的潜在价值。
intraoperative ultrasound scanningacoustic shadowconfidence mapsperceptual saliencerobot-assisted ultrasound tissue scanning
发现论文，激发创造
  • 患者特定的实时无跟踪脑超声分割

    本文设计了第一个病人特定的框架，在无需跟踪的状况下，在 iUS 中进行脑肿瘤分割，通过使用合成的超声数据在术前 MR 数据中模拟虚拟 iUS 扫描，并训练了一个病人特定的实时网络来消除超声成像的模糊性和适应神经外科医生的手术目标，实验证明了该方法的有效性，适应了外科医生对手术目标的定义，并超过了非病人特定的模型、神经外科专家和高端跟踪系统。

    May, 2024

  • 智能机器人超声医生：基于互信息的少样本解缠奖励学习

    提出了一种智能机器人超声检查师，能够从专家的经验中自主学习，理解超声检查的语言，通过估计互信息和开发高斯分布滤波器来提高模型的泛化能力，并在血管和动物器官模型中进行了演示实验，证明了该方法的稳健性。

    Jul, 2023

  • 利用自监督对比学习和光学相干断层扫描术进行针刺过程中的组织分类

    提出了一种基于深度神经网络的方法，通过对针尖处复杂 OCT 信号的相位和强度数据进行分类，辅助医生在针的插入过程中对组织结构进行识别，并且使用对比预训练技术将同位的数据映射到不同的表示，从而在受限标记数据集的情况下提高分类的精度。在仅使用 10% 的训练集时，使用该技术可以将模型的 F1 分数从 0.60 提高到 0.84。

    Apr, 2023

  • 基于对比学习的多模态超声引导下对脑肿瘤切除的解剖标志物检测

    提出了一种用于神经外科应用中 MRI-US 标志物检测的对比学习框架，通过训练卷积神经网络在 MRI 和 US 扫描中编码图像特征，以匹配包含 MRI 相应标志物的 US 图像块，该方法首次在 MRI-US 标志物检测方面取得了有希望的结果。

    Jul, 2023

  • LOTUS：学习优化基于任务的超声图像表示

    通过模拟介质的计算，该论文提出一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。

    Jul, 2023

  • 使用 Er:YAG 激光进行消融期间，利用声波进行组织分类的深度学习方法（更新）

    通过分析激光消融期间产生的声波，我们提出了一种组织分类方法，并在体外实验中证明了其适用性，最终确定将时间相关数据与其频谱相结合的方法可以实现最高的分类准确性（65.5%-75.5%）。

    Jun, 2024

  • FocalErrorNet：超声引导脑神经外科的模态配准误差估计的不确定性感知聚焦调制网络

    通过 3D 聚焦调制技术和不确定性估计，我们提出了一种基于深度学习的新技术，用于准确评估脑肿瘤手术中的 MRI-iUS 配准误差，通过 RESECT 临床数据库的开发和验证，该算法可以达到 0.59+-0.57 毫米的估计误差。

    Jul, 2023

  • 通过 CycleGAN 将超声图像转换为伪解剖展示

    通过利用神经网络的 CycleGAN 方法，从医学超声图像数据中生成伪解剖图像，提高图像质量以更好地表现病变区域，其中生成伪解剖图像在病变分割中的对比度和区分度较高，可潜在地简化诊断流程并改善临床结果。

    Feb, 2022

  • 前列腺体内微超声和体外伪全切片病理图像的图像配准：概念验证研究

    使用图像注册技术，作者提出了对微型超声进一步应用的可能性，利用大型数据集辅助训练医生进行识别并达到较高的准确率，有望应用于前列腺癌的早期诊断和治疗中。

    May, 2023

  • 超声中的隐形针探测：利用机构引起的振动

    通过将 Eulerian Video Magnification 技术与 VibNet 框架结合，利用外部步进电机引起针的微弱振动，本论文提出了一种增强超声图像中针检测的鲁棒性和准确性的学习框架，实现了超声引导下针的鲁棒和精确检测。

    Mar, 2024