Jul, 2023

使用深度变分聚类的专家无关超声图像质量评估

PDF
TL;DR提出了一种用于超声图像质量评估的无监督学习自编码器网络 US2QNet，在预处理、聚类和后处理三个模块的共同作用下，高效提取、聚类和可视化超声图像的质量特征表示，经过验证，该框架可以高效准确地评估尿路超声图像的质量。
ultrasound imagingquality assessmentunsupervised learningautoencoderurinary bladder
发现论文，激发创造
  • 用于自动评估胎儿超声视频质量的分层代理强化学习框架

    本研究通过强化学习提出了一个双层质量评估模型，能有效地评估超声图像的质量，通过稀疏的二进制注释训练，结果证实该模型能够胜任胎儿脑数据质量评估任务。

    Apr, 2023

  • 超声图像标注去除：基于自监督 Noise2Noise 方法的研究

    通过采用噪声到噪声（Noise2Noise）模型，在超声图像中自动检测标注物的研究中，我们发现噪声产生的模型比噪声 - 干净数据对训练的模型表现更好。其中，定制的 U-Net 模型在身体标记物标注数据集上表现出色，其分割精度和重建相似性得分较高。

    Jul, 2023

  • DopUS-Net: 基于多普勒信号的质量感知机器人超声成像

    本文提出了一种利用 Doppler 效应的血管再识别模块的 DopUS-Net，用于血管病变的自动分割和血管筛选程序的实时监测，实验结果表明，这种方法可以显著提高分割结果的准确性和鲁棒性。

    May, 2023

  • FUSC: 基于深度无监督学习的第二孕期胎儿超声语义聚类

    通过无监督方法将超声图像自动聚类，减少或消除了人工标记的需求，该方法在超过 8.2k 未知图像上实现了超过 92% 的聚类纯度，对胎儿超声成像领域具有重要意义，并为更先进的自动标记解决方案铺平了道路。

    Oct, 2023

  • 智能机器人超声医生：基于互信息的少样本解缠奖励学习

    提出了一种智能机器人超声检查师，能够从专家的经验中自主学习，理解超声检查的语言，通过估计互信息和开发高斯分布滤波器来提高模型的泛化能力，并在血管和动物器官模型中进行了演示实验，证明了该方法的稳健性。

    Jul, 2023

  • USCL：通过视频对比表示学习预训练深度超声图像诊断模型

    通过使用 US-4 数据集进行直接预训练，提出了一种名为 USCL 的 US 半监督对比学习方法，以学习来自 US-4 的功能强大的特征，并在多项下游任务中取得超越 ImageNet 预训练和其他 SOTA 预训练方法的结果。

    Nov, 2020

  • 通过无监督引导进行交叉模态特征对齐的超声报告生成

    提出了一种新颖的自动超声报告生成框架，利用无监督和监督学习方法相结合，从超声文本报告中提取潜在知识，并设计了全局语义比较机制，以生成更全面准确的医学报告。

    Jun, 2024

  • 通过 CycleGAN 将超声图像转换为伪解剖展示

    通过利用神经网络的 CycleGAN 方法，从医学超声图像数据中生成伪解剖图像，提高图像质量以更好地表现病变区域，其中生成伪解剖图像在病变分割中的对比度和区分度较高，可潜在地简化诊断流程并改善临床结果。

    Feb, 2022

  • 基于贝叶斯优化的机器人超声控制器优化的深度核和图像质量估计器

    通过使用神经网络训练深核（DK），该文献采用贝叶斯优化（BO）优化机器人探针的高维控制，从而提高超声图像质量的样本效率，同时使用深度卷积神经网络提供实时反馈，验证了该框架在三个尿道壁模型中获得了 50% 以上的样本效率增长，并证明了对特定训练数据集的独立性，表明对患者的适应性。

    Oct, 2023

  • 面向前列腺 MRI 分区分割的不确定性感知半监督学习

    本研究提出了一种基于半监督学习的医学图像分割方法，该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据，并自动选择最佳的伪注释，进而在不需要全部标注的情况下，实现了分割模型在医学 3D 数据集上更好的性能，验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。

    May, 2023