Jun, 2023

深度学习反向传播估算动态增强磁共振成像药代动力学参数

PDF
TL;DR本文提出了一种基于物理驱动 CycleGAN 方法的非配对深度学习方法，用于在不需要单独进行动脉输入函数（AIF）测量的情况下，估计药代动力学参数和 AIF，实验结果表明该方法可以生成比其他技术更可靠的药代动力学参数。
dce-mripharmacokinetic parametersdeep learningcycleganvascular permeability
发现论文，激发创造
  • 动态 PET 中基于生理学的药物动力学建模的自监督学习

    本论文介绍了使用自监督方法构建环境下的动态正电子发射断层成像 (dPET) 成像技术，采用基于生理的药物动力学建模和空时域 UNet 来估计动力学参数的方法，以及像 FDG 这样的放射性示踪剂的时间活动曲线来实现诊断性信息提取，产生与预期生理一致的像素级参数图像。

    May, 2023

  • 用于自动参数化脑 PET 映射的带有体积校正的端到端深度学习管道

    该研究介绍了一种新方法，利用深度学习模型从颈动脉进行非侵入性计算，并应用 PV 校正，以消除对侵入性动脉采样的需求。该方法在脑扫描中得到应用，成功定位癫痫起始区，为临床疗效的取得做出了贡献，患者在治疗后达到了无癫痫发作的状态。

    Feb, 2024

  • 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

  • 基于多条件潜在扩散模型的对比动力学学习

    通过多条件潜在扩散模型实现了动态对比增强磁共振成像的时间序列图像合成，提出了基于 Frechet 放射学距离的医学图像质量评估方法，并展示了深度学习在对比动力学模拟中的潜力。

    Mar, 2024

  • 基于时间的深度图像先验用于动态磁共振成像

    本论文提出一种基于深度学习的无监督动态磁共振成像（MRI）重建算法，通过使用一个低维流形、一个映射流形的网络和一个卷积神经网络，可以重建高空间分辨率的连续动态 MRI 序列，并在数量和质量上优于现有方法。

    Oct, 2019

  • 单一图像处理算法能否在动态增强磁共振成像的所有相位中同样有效？

    本文旨在探讨采用不同对比度增强数据比例对 MRI 动态增强序列的图像分割和配准任务所产生的影响，发现通过预训练对比度增强数据和微调非对比度增强数据可得到更具有通用性的模型。

    Jun, 2023

  • 时态不确定性定位用于启用人工分析动态增强心脏磁共振数据集

    本研究介绍了一种使用深度神经网络进行心脏动态对比增强磁共振成像的动态质量控制技术，通过引入一种新的时空不确定性度量指标来可靠地检测失败的分割结果，并通过与人工专家的合作改进分割结果，从而提高 DCE-CMRI 图像的 Dice 系数并减少分割失败的图像数量。该方法为动态 CMRI 数据提供了一种有效的人机协同分析框架，有助于临床解读和报告动态 CMRI 数据。

    Aug, 2023

  • 基于新颖时空卷积神经网络的定量灌注图

    提出了一种考虑时空信息的灌注参数估计网络 (ST-Net)，该网络结合了设计的物理损失函数，能够准确估计灌注参数，包括脑血容量、脑血流和残差函数的最大时间。

    Dec, 2023

  • 可学习先验改进逆向肿瘤生长建模

    通过结合生物物理建模、偏微分方程、逆问题解决和深度学习等方法，提出了一种新颖的框架，用于在磁共振图像中从脑肿瘤细胞集中估计中发挥作用的快速深度学习算法和高精度进化策略以加速收敛和获得 95% 的 Dice 系数。

    Mar, 2024

  • 一种深度神经网络 -- 机械混合模型预测大鼠药物动力学

    通过采用扩展的混合模型并在更大的数据集上进行训练，我们成功改善了之前开发的模型，将总体口服暴露的中位倍数误差从 2.85 降低到 2.35，静脉给药从 1.95 降低到 1.62，实现了对药代动力学不利显性统计配置的化合物进行筛选和开发，同时提供了预测其他指标（如性别和剂量形式）的能力。

    Oct, 2023