Jul, 2023

基于不确定性辅助的学习肝脏 $T_1ρ$ 映射与分析框架

PDF
TL;DR通过使用深度学习方法进行定量 $T_1 ho$ 成像，并采用参数图优化方法和不确定性评估，该研究提出了可靠的基于学习的定量 MRI 系统，用于肝脏 $T_1 ho$ 成像，达到了小于 3% 的相对定量误差和有效消除不可靠像素的效果。
quantitative $t_1 ho$ imagingdeep learning methodsuncertainty estimationparametric map refinementliver fibrosis stages
发现论文，激发创造
  • 多轴融合增强 MR 图像转换中的不确定性估计

    我们提出了一种新的模型不确定性量化方法 MAF，该方法依赖于从体积图像数据的多个视图中获得的互补信息的集成，应用于 3D 医学图像到图像转换的认知不确定性估计，并在合成对比增强的 T1 加权影像上应用。

    Nov, 2023

  • 加速 MRI 重建中的不确定性估计与传播

    基于深度学习的 MRI 重建技术在高度加速设置中取得了前所未有的重建质量，然而，深度学习技术也容易出现意外失败和结构产生幻觉，因此在临床实践中安全使用这项技术需要良好校准的不确定性量化，本文提出了一种基于条件层次变分自动编码器的新颖概率重建技术（PHiRec），展示了我们提出的方法不仅产生高质量的重建结果，而且比几个强基准模型具有更好的校准不确定性量化；此外，我们还展示了在 MR 重建过程中产生的不确定性如何传播到下游分割任务，并表明 PHiRec 还允许对分割不确定性进行良好校准的估计。

    Aug, 2023

  • 具有不确定性量化的肝脏肿瘤分割的各向异性混合网络

    研究表明，肝肿瘤是重要的负担，是癌症死亡的第四大原因。为了指导治疗策略，我们提出比较两种基于各向异性模型的管道方法，对肝脏和肿瘤进行分割，同时提出了一种不确定性量化策略用于识别潜在的假阳性肿瘤病变。

    Aug, 2023

  • 一种可靠且易解释的多视角学习的肝纤维化分期框架

    本研究提出一种基于多视角学习的深度学习方法，利用肝脏的多个子区域来提取更丰富的特征，使用主观逻辑来评估不确定性并应用 Dempster-Shafer 证据理论的明确组合规则来提高预测的准确性，通过在增强 MRI 数据上的评估结果发现，本方法优于现有的多视角学习方法。

    Jun, 2023

  • 多人标注的分割任务中的监督不确定性量化

    本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

    Jul, 2019

  • 利用不确定性评估预测分割质量

    本文旨在将最近关于评估不确定性的结果应用于基于深度学习的医学分割中的两个重要输出：产生空间不确定性映射，以便临床医生可以观察系统何时以及为何错误，以及量化图像级别的失败预测，并展示关于空间不确定性的推理是产生分割质量预测的有用中间表示。提出了一个两阶段的架构来生成这些不确定性测量，可以适应任何基于深度学习的医学分割管道。

    Jul, 2018

  • 利用不确定性感知因果模型提高基于图像的精准医疗

    本研究使用基于贝叶斯的深度学习技术，通过对多发性硬化症患者的 MRI 图像进行数据训练，估计病人的不同治疗方案的后验分布，计算每种治疗方案和任意两种治疗方案之间的个体治疗效应（ITE）并对其不确定性进行评估，从而实现 “精准医学”，并对临床医生的决策提供指导。

    May, 2023

  • 全三维医学数据中基于概率的三维分割及其不确定性量化

    该研究通过引入 Normalizing Flows 技术，提出了一种基于 3D volumes 的概率分割框架，并在 CT 数据上进行了评估，结果表明该方法可以更准确地捕捉到 3D 空间信息的不确定性，同时以直观的方式提供了不确定性信息，有助于医生做出更明智的决策。

    May, 2023

  • 患者生存模型的个性化不确定性量化框架：在缺乏准确性的情况下估计转移性脑瘤患者的个体不确定性

    开发一种新颖的不确定性量化（UQ）框架，用于在缺乏实际数据的情况下估计患者生存模型的不确定性。通过基于 1383 名脑转移患者的数据集开发和评估我们的方法，我们的研究假设是推理过程中给定测试患者的事件发生时间更加确定，当其在训练集中与其他患者具有更高的特征空间相似性。因此，感兴趣患者的不确定性通过患者相似性排名和预测相似性排名的一致性指数来表示。通过与模型整体区分度指数相比，模型不确定性定义为最大不确定性约束下的增加百分比。我们在多个临床相关的终点变量上评估了我们的方法，包括颅内进展时间（ICP）、放疗后无进展生存时间（PFS）、总生存时间（OS），以及颅内进展时间和 / 或死亡时间（ICPD），应用了统计模型和非统计模型，如 CoxPH、条件生存森林（CSF）和神经多任务线性回归（NMTLR）。我们的结果显示，所有模型在颅内进展时间（2.21%）上的不确定性最低，而在颅内进展时间和 / 或死亡时间（ICPD）（17.28%）上的不确定性最高。总体而言，OS 模型的不确定性表现较高，其中 NMTLR 的不确定性最低（1.96%），而 CSF 的不确定性最高（14.29%）。综上所述，我们的方法可以估计个体患者生存模型的不确定性结果。正如预期的，我们的数据经验证明，通过我们的技术测量的模型不确定性的增加会导致特征空间与预测结果的相似性降低。

    Nov, 2023

  • 基于结构的深度学习在解剖尺度上的不确定性分析：白质病变分割

    该论文研究了自动化深度学习工具在多发性硬化症患者磁共振成像扫描中的白质病变分割中的不确定性量化作为其可靠性指标。研究探讨了不确定性在结构化输出分割任务中的两个主要方面，并提出了新的衡量不确定性的方法。通过分析来自多中心的 MRI 数据集，结果表明我们的方法能够更有效地捕捉模型在病变和患者尺度上的错误。

    Nov, 2023