Jun, 2023

深度多分辨率分形纹理的计算建模及其在异常脑组织分割中的应用

PDF
TL;DR本文提出了一种新的 Multiresolution Fractal Deep Neural Network (MFDNN) 模型与计算实现，该模型通过分析大量的 MRI 图像数据来估计肿瘤组织的深度多分辨率分形纹理特征，其在异常脑组织分割方面的表现优于或可与文献中现有的最先进方法相媲美。
发现论文，激发创造
  • 三维健康脑组织修复的去噪扩散模型

    通过探索和扩展去噪扩散模型，本研究实现了对健康三维脑组织的一致修复，评估了其在磁共振影像中的回填效果，并在脑组织分割任务中优于现有的病变填充方法。

    Mar, 2024

  • 基于 CNN-Transformer 网络的多模态特征蒸馏用于不完整模态的脑肿瘤分割

    提出了一种采用 CNN-Transformer 混合网络的多模态特征蒸馏的准确脑肿瘤分割方法，用于处理缺少模态的脑肿瘤图像，通过多个模块实现了特征提取和融合，提高了缺失模态情况下的分割性能，实验证明了方法的有效性。

    Apr, 2024

  • MRI 实时脑肿瘤分割的 3D 扩张多纤网络

    本文介绍了一种高效的 3D 卷积神经网络，采用 3D multi-fiber unit 并使用 3D dilated convolutions 来构建多尺度特征表示，以达到实时密集体积分割的目的，并在 BraTS-2018 挑战数据集上的实验结果表明，该神经网络架构在高保真度的前提下大大降低了计算成本。

    Apr, 2019

  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • 使用掩码扩散模型进行医学图像无监督异常检测

    本研究提出了一种名为 mDPPM 的方法，通过引入基于掩码的正则化来重新定义扩散模型的生成任务，以将无标签数据用于自我监督学习，从而从健康脑的样本级标签生成所需的表示，确保结果是解剖一致的。 该研究在包含肿瘤和多发性硬化症病变的数据集上评估了这种方法，并展示了我们的无监督方法相对于现有完全 / 弱监督基线的优越性能。

    May, 2023

  • 用于乳腺 MRI 应用的分辨率变换多尺度深度学习配准

    在乳腺手术规划中，通过准确地对患者不同位置的磁共振图像进行注册，可以改善乳腺癌治疗中肿瘤的定位。本文提出了适用于乳腺磁共振图像注册的学习策略，克服了乳腺图像中纹理信息不足和变形需要满足微分同胚约束的困难，同时给出了基于模拟和体内实验的早期实验结果。本文的一个关键贡献是提出的注册网络在乳腺图像的注册中产生了优越的结果，并提供了微分同胚保证。

    Sep, 2023

  • 智能医学图像分析中的多尺度图像融合系统探索

    这篇研究论文介绍了一种基于 U-Net 的 MRI 算法，结合了残差网络和用于增强上下文信息的模块，还添加了空洞卷积池化金字塔用于处理。实验证明了该算法在诊断脑胶质瘤的 MRI 图像分割中取得了较高的准确率，并提升了脑肿瘤的三维重建精度，以及图像分类的效率。

    May, 2024

  • 大脑肿瘤分割的组合表示学习

    通过使用无监督学习和弱监督学习，以及非穷尽的像素级病理标签，我们在大量弱标记数据和少量完全标记数据的情况下，成功地实现了良好的脑肿瘤分割性能。

    Oct, 2023

  • 多重分形 - 谱特征增强异常扩散分类

    多重分形光谱特征在增强异常扩散分类中表现出多样而强效的作用。

    Jan, 2024

  • 深度 MpMRI：张量分解正则化学习在快速高保真多参数显微结构磁共振成像中的应用

    提出了 DeepMpMRI，用于从不同扩散模型中使用稀疏采样的 q 空间数据快速高保真地估计多参数；实验证实了该方法在同时定量和定性地估计多参数映射方面相对于 5 种最先进方法的优越性和 4.5-22.5 倍加速

    May, 2024