Jun, 2023

无监督可变形超声图像配准及其在血管分割中的应用

PDF
TL;DR本文介绍了一种基于深度学习的模型进行医学超声图像的可变形配准，同时能够生成合成图像用于训练血管分割模型，而无需额外的手动标注。模型通过不同的损失函数进行训练，能够将生成的合成超声图像与真实图像的结构相似性指数（SSIM）分别达到 98% 和 81%。同时，合成的变形图像可用作数据增强技术来提高血管分割模型的分割表现。
deep-learning modeldeformable registrationultrasound imagessynthetic imagesvessel segmentation
发现论文，激发创造
  • 无监督可变形图像配准用于超声图像呼吸运动补偿

    本文提出了一种基于深度学习的新型超声图像变形配准模型及一种无监督的训练方法，该模型使用循环全对场变换和空间变换网络来在在线速率下（约 30 Hz）生成位移场并精确地跟踪像素移动，采用该方法来在活体猪肺视频中跟踪像素，演示了呼吸运动补偿策略，减少了猪数据集中平均像素运动的 76％，我们相信 U-RAFT 是一个有前途的工具，可用于补偿可变形组织的超声图像中的不同运动，如呼吸和心跳。

    Jun, 2023

  • SEA-RAFT：用于光流的简单高效准确的 RAFT 算法

    SEA-RAFT 是一种更简单、高效、准确的用于光流的 RAFT 算法，通过采用混合拉普拉斯损失函数进行训练，直接回归初始光流以提高收敛速度，并引入刚性运动预训练以提升泛化性能。在 Spring 基准测试中，SEA-RAFT 以 3.69 的端点错误（EPE）和 0.36 的像素异常率（1px）取得了最先进的准确性，相较于最佳发布结果减少了 22.9% 和 17.8% 的误差。此外，SEA-RAFT 实现了在 KITTI 和 Spring 数据集上最好的跨数据集泛化性能。尽管保持了竞争性能，但 SEA-RAFT 至少比现有方法快 2.3 倍。代码可以从此 https URL 进行公开获取。

    May, 2024

  • CathFlow: 使用光流和 Transformer 对介入超声中导管进行自监督分割

    我们介绍了一种自我监督深度学习架构，用于在纵向超声图像中分割导管，并消除对标记数据的需求。该模型在合成超声数据和硅主动脉模型图像上进行验证，展示了其未来在临床数据中应用的潜力。

    Mar, 2024

  • 基于图像级回归的不确定性感知视网膜图像分割

    将视网膜图像分割任务视为图像级回归，通过引入 SAUNA 变换和广义的 Jaccard 度量损失训练 U-Net 模型，在 5 个视网膜图像数据集上优于最近发表的方法。

    May, 2024

  • UDCR：无监督主动学习和重叠度计算进行的主动导管行雷管 DSA/CTA 刚性配准

    本文提出了一种基于深度强化学习的无监督的主动血管 DSA/CTA 刚性配准方法 UDCR，通过重叠度计算奖励函数来衡量分割图与 DSA 图像之间的配准准确性，该方法具有高度灵活性，可用于临床应用。

    Mar, 2024

  • 使用 3D 聚焦调制 UNet 进行颅内动脉瘤的弱监督分割

    使用 FocalSegNet 和条件随机场（CRF）后处理的弱监督学习技术，可以从时间飞行磁共振血管成像（MRA）的粗略标签中获取精细的未破裂颅内动脉瘤（UIAs）分割，具有 0.68 的 Dice 分数和 0.95 毫米的 95% Hausdorff 距离。与现有技术相比，FocalSegNet 表现出更好的性能，并且焦点调制技术对该任务有益。

    Aug, 2023

  • 多域正则化深度学习迭代在超声图像中用于解剖结构检测和分割

    本文提出了一种基于多域正则化深度学习的超声图像解剖结构检测和分割方法，通过跨领域迁移学习和迭代优化等手段提高了特征表达和分类精度，与人类表现相当且优于其他方法。

    Jul, 2016

  • 基于平衡聚焦 U-Net 的多类别和类别不平衡标记分割，用于部署的支架内自动化 3D 形态实例化

    本文提出了一种基于 Equally-weighted Focal U-Net 的自动化 3D 形状实例化方法，证明该方法在标记分割和 3D 形状实例化方面具有较高的精度，对于机器人路径规划也具有重要意义。

    Nov, 2017

  • 形变多模态图像配准用于光学测量与组织学图像的相关性

    利用深度学习技术，通过自动多模式图像配准方法，将快照乳房标本图像与对应的组织学图像进行对齐，以提高光学技术验证的准确性。

    Nov, 2023

  • 基于自主分割的超声波图像采集技术在关节运动情况下的应用

    该研究提出了一种基于视觉的方法，允许自主的机器人超声波肢体扫描，使用 MRI 图像的基准分析血管结构生成扫描轨迹，并利用神经网络对连续的超声帧进行空间连续性的分析以实现精确的血管结构重建及测量。

    Aug, 2022