Jul, 2023

使用多 b 值 DWI 为基础的分层融合网络与关注机制综合合成增强对比度的乳腺磁共振影像

PDF
TL;DR本研究开发了一种多序列融合网络，基于 T1 加权 MRI 和 DWI 合成对比增强 MRI，可以潜在地用于合成 CE-MRI，从而在理论上减少使用 GBCA，降低对患者的负担。
发现论文，激发创造
  • 增强肿瘤分割的术前和术后对比乳腺磁共振成像合成

    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

  • 评估序列组合对多参数磁共振成像乳腺肿瘤分割的影响

    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

  • 基于多头膨胀编码器的深度学习框架，用于多参数磁共振成像增强子宫颈癌分割

    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

  • 使用优化的合成相关扩散成像改进乳腺癌分级预测

    利用体积深度放射特征从合成相关扩散成像（CDI$^s$）预测乳腺癌分级的最新研究结果表明，非侵入性方法在乳腺癌分级中有巨大潜力，该论文通过使用优化的 CDI$^s$ 改善乳腺癌分级来受到了启发。将优化后的 CDI$^s$ 信号与扩散加权成像（DWI）融合，为每位患者创建多参数 MRI，在更大的患者队列上进行训练，通过在预训练的 MONAI 模型的所有层进行训练，我们实现了 95.79% 的留一交叉验证准确性，比先前报道的高出 8%。

    May, 2024

  • 使用保噪有条件 GAN 忠实地合成低剂量增强脑 MRI 扫描

    通过使用条件 GAN 模型合成图像，研究探讨了非标准 GBCA 剂量下诊断性能的损失，WS 距离被用于提高图像细节保真度，可得出适用于不同剂量下的生成图像，为虚拟对比模型提供数据.

    Jun, 2023

  • 预检查提高颅脑 MRI 自动转移病灶的检测

    用对比增强 T1 加权图像进行自动检测，结合预诊断 MRI 能显著减少假阳性结果，但是在对比增强 T1 加权图像之外加入其他序列对假阳性结果减少无明显影响。

    Mar, 2024

  • CAVM：针对增强对比度脑肿瘤 MRI 合成的有条件自回归视觉模型

    提出了用于改进对比增强脑肿瘤磁共振成像的条件自回归视觉模型 (CAVM)。CAVM 通过逐渐增加造影剂剂量从而生成高剂量虚拟图像，使用分解标记器和解码器进行图像的自动回归策略，最终产生对比增强的磁共振成像。

    Jun, 2024

  • 基于多阶段注意力生成对抗网络的高组织对比度 MRI 合成，用于胶质瘤分割

    采用 CycleGAN 并引入注意力机制和多级结构生成高组织对比度 MRI 图像，来增强 MRI 组织分割。实验结果表明，该方法在肿瘤边界分割上取得了可观的提升。

    Jun, 2020

  • 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

  • 基于混合融合的多序列脑 MRI 综合合成统一框架

    提出了一种名为混合融合生成对抗网络（HF-GAN）的新型统一框架，通过多模式磁共振成像，使得通过补充信息来提供可靠的临床应用诊断。实验证明，该方法在数据插补任务中表现出优异的性能，并且比现有方法在定量和定性比较方面更加优越。

    Jun, 2024