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
利用生成对抗网络 (GAN) 将原始的 T1 加权饱和脂肪胸部 MRI 图像转化为相应的首次动态对比增强 MRI 序列,生成合成对比增强图像,并通过定量图像质量度量来评估生成的数据质量,将其应用于三维乳腺肿瘤分割,结果表明通过数据增强方式合成后的动态对比增强 MRI 图像在增强乳腺肿瘤分割模型的稳健性方面具有潜力,代码链接见摘要。
Nov, 2023
使用 nnU-Net 模型,研究探讨不同序列的 mpMRI 在乳腺肿瘤分割中的影响,并通过在多中心 mpMRI 数据集上的评估,证明了使用动态对比增强 MRI 序列可以获得较高的功能性肿瘤体积分割 Dice 相似系数和整个肿瘤掩膜分割改善。然而,添加 T2w 序列对结果影响不显著,需要进一步研究。该研究为未来的乳腺癌治疗反应预测提供基础。
Jun, 2024
通过对多视图数据进行对比学习,我们提出了一种基于 U-Net 的三重编码器和单一解码器网络,tU-Net,可以充分利用未经注释的矢状和冠状视图,以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进,并且在缺少视图的情况下,提供了灵活性,表明通过对比学习来利用未经注释的多视图数据的可行性。
Aug, 2023
在 DCE-MRI 中进行风格转换是一项具有挑战性的任务,由于不同组织和时间中对比度增强的大幅变化。本文提出了一种新方法,该方法结合了自编码器来解开内容和风格,并使用卷积 LSTMs 对时间中的预测潜空间进行建模,并使用自适应卷积来应对对比度增强的局部性质。通过提出一个考虑对比度增强的新度量方法来评估我们的方法,定性和定量分析表明所提出的方法在两个不同数据集上优于现有技术水平。
Oct, 2023
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。
Jun, 2023
3D context enhanced region-based CNN (3DCE) is proposed for lesion detection from computed tomography (CT) scans, which efficiently incorporates 3D context information by aggregating feature maps of 2D images and is proven effective through experiments on the DeepLesion dataset.
Jun, 2018
使用深度生成模型进行增强对比度的研究,旨在减少乳腺 X 光造影的副作用和辐射剂量,通过生成深度网络生成合成的显影图像,研究结果显示 CycleGAN 是最有潜力的深度网络,突出了人工智能在该领域进行虚拟对比度增强的潜力。
Aug, 2023
本文提出了一种新的多头框架,使用扩张卷积和共享残差连接来对多参数 MRI 图像进行分开编码,以及进行了一系列架构实验来评估基于多参数输入信道和特征编码配置的肿瘤分割性能。
Jun, 2023