Jul, 2023

基于变压器的双域网络用于少视角专用心脏 SPECT 图像重建

PDF
TL;DR本研究提出了一种基于 3D 变换器的双域网络（TIP-Net），用于高质量的 3D 心脏 SPECT 图像重建，该方法使用深度学习方法直接从投影数据中重建 3D 心脏 SPECT 图像，然后通过图像域重建网络进一步改进重建结果。经由心脏导管术图像、核心科技医师的诊断解读和 FDA 510 (k) 认证的临床软件量化的缺陷大小的验证，与基线方法相比，我们的方法在人体研究中产生了具有更高心脏缺陷对比度的图像，从而在使用固定少角度的专用心脏 SPECT 扫描仪上实现了高质量的缺陷可视化。
cardiovascular diseasemyocardial perfusion imagingspectdeep learning methods3d cardiac spect image reconstruction
发现论文，激发创造
  • 适应性数据一致性双域迭代网络联合降噪和少角度重建用于低剂量心脏 SPECT

    提出了一种双域迭代网络方法，可从心脏 SPECT 的低剂量和少角度投影中进行端到端联合降噪和重建，且使用临床 MPI 数据实验表明，所提出的方法优于现有的图像域、投影域和双域技术，可生成更准确的投影和重建结果。

    May, 2023

  • 跨域迭代网络用于低剂量心脏 SPECT 的同时去噪、有限角度重建和衰减校正

    本文提出了一种用于心脏 SPECT 的交叉领域迭代网络（CDI-Net），用于同时去噪声、重建和进行无 CT 校正，并以临床数据实现实验验证。此外，本文通过消融研究证明了跨领域和跨迭代连接以及自适应权重重新校准器在提高重建性能方面的重要性。

    May, 2023

  • 用于心脏 SPECT 图像的双域粗到细的逐步估计网络，用于同时去噪，有限视角重建和衰减校正

    我们提出了一种用于同时进行低剂量去噪、有限视图重建和无 CT 的心脏 SPECT 的 μ 图生成的多任务学习方法 DuDoCFNet，通过联级式融合机制实现跨域和交叉模态特征融合，应用两阶段渐进学习策略来获得 SPECT 投影和 CT 导出的 μ 图的粗到细估计。我们的实验结果表明，在各种迭代和低剂量水平下，DuDoCFNet 在估计投影、生成 μ 图和 AC 重建方面的准确性优于现有的单一或多任务学习方法。

    Jan, 2024

  • TD-Net：用于稀疏视图 CT 重建的三域网络

    通过结合正弦图、图像和频率域优化，引入了一种三域方法 TD-Net，它通过引入频率监督模块（FSM）有效地解决了稀疏观测 CT 重建中的图像质量降低问题，实现了对精细细节的保留，从而提高了医学成像的能力。

    Nov, 2023

  • 用于自动 3D 核心心脏图像重新定向和分割的多尺度空间变换器 U-Net

    我们提出了一种名为多尺度空间变换 UNet（MS-ST-UNet）的端到端模型，用于从核心心脏图像中同时重新定位和分割左室（LV）区域。该方法采用多尺度策略生成和提取具有不同尺度的图像特征，并通过联合学习促进重新定位和分割任务之间的互相增强。该方法显著改进了重新定位和分割性能，能够为物理学家提供多模态定量分析辅助，减少手动描绘心脏图像的负担，并提供高效的图像处理工作流程。

    Oct, 2023

  • 用于心脏 SPECT 和 CT 交叉模态配准的双分支压缩融合激活模块

    本文探究 SPECT 及 CT 拍摄后嵌套及校正，引入一种名为 DuSFE 模型的卷积神经网络融合模型，同时提高了其准确性与特色。

    Jun, 2022

  • 使用特定领域感知网络的两步稀疏视角 CT 重建

    本文提出了一种用于稀疏视图计算机体层摄影的新框架，通过使用超分辨率网络（SIN）和细化网络（PRN）进行重建，以减少条纹伪影和提高恢复精度。

    Dec, 2020

  • 基于点云的心脏 SPECT MPI 和 CTA 之间的配准与图像融合

    提出了一种基于点云的注册和图像融合方法，用于心脏单光子发射计算机断层扫描心肌灌注图像和心脏计算机断层扫描血管造影图像间的配准与融合。

    Feb, 2024

  • 深度可分离时空学习用于快速动态心脏 MRI

    这篇论文提出了一种新颖高效的方法，结合深度学习和时空先验知识，可以显著降低高维数据处理的挑战，从而实现快速成像，并在心脏诊断中超过了现有方法，同时减少对训练数据的需求，达到高准确度的心脏分割。

    Feb, 2024

  • 使用视觉变换器进行更快速的三维心脏 CT 分割

    心脏准确分割对于个性化血流模拟和手术干预规划至关重要。我们改进了 ViT 以适应三维体积输入，并将其与 ResNet50 和级联上采样相结合的方式构建了 TRUNet。TRUNet 在比传统的 Residual U-Net 更短的时间内收敛，并且能产生与其相媲美或更好的左心室、左心房、左心房附属物、肺动脉和升主动脉的分割效果。 TRUNet 能更准确地分割血管边界，并更好地捕捉到心脏的整体解剖结构，对于医学影像中的三维语义分割任务具有很大潜力。

    Oct, 2023