Jul, 2023

FocalErrorNet：超声引导脑神经外科的模态配准误差估计的不确定性感知聚焦调制网络

PDF
TL;DR通过 3D 聚焦调制技术和不确定性估计，我们提出了一种基于深度学习的新技术，用于准确评估脑肿瘤手术中的 MRI-iUS 配准误差，通过 RESECT 临床数据库的开发和验证，该算法可以达到 0.59+-0.57 毫米的估计误差。
brain tumor resectionintra-operative ultrasoundmri-ius registrationquality controldeep learning
发现论文，激发创造
  • 基于 Swin UNETR 的脑肿瘤手术 MRI - 超声配准的密集误差图估计

    提出了一种基于深度学习的新框架，利用超声引导下的磁共振成像和超声图像注册技术，自动评估 MRI-iUS 注册的质量，并首次展示其在 iUS 引导下的脑肿瘤切除手术中的实际临床数据上的表现。

    Aug, 2023

  • 基于对比学习的多模态超声引导下对脑肿瘤切除的解剖标志物检测

    提出了一种用于神经外科应用中 MRI-US 标志物检测的对比学习框架，通过训练卷积神经网络在 MRI 和 US 扫描中编码图像特征，以匹配包含 MRI 相应标志物的 US 图像块，该方法首次在 MRI-US 标志物检测方面取得了有希望的结果。

    Jul, 2023

  • 患者特定的实时无跟踪脑超声分割

    本文设计了第一个病人特定的框架，在无需跟踪的状况下，在 iUS 中进行脑肿瘤分割，通过使用合成的超声数据在术前 MR 数据中模拟虚拟 iUS 扫描，并训练了一个病人特定的实时网络来消除超声成像的模糊性和适应神经外科医生的手术目标，实验证明了该方法的有效性，适应了外科医生对手术目标的定义，并超过了非病人特定的模型、神经外科专家和高端跟踪系统。

    May, 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

  • 多模态图像配准的弱监督卷积神经网络

    本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

    Jul, 2018

  • 脑肿瘤分割的处理和迁移学习的优化框架

    基于 3D U-Net 模型的多模态脑肿瘤分割框架在验证数据集上实现了 Challenges 1、2 和 3 分别为 0.79、0.72、0.74 的平均病灶 Dice 分数。

    Feb, 2024

  • 提高自由手术 2D 超声视频中的 3D 胎儿脑姿势预测的几何变换不确定性

    我们提出了一种基于不确定性的深度学习模型，用于自动定位二维超声胎儿脑图像在三维脑中的平面位置。该方法通过学习显式预测不确定性，从而提高输入的权重，并在不同几何变换下改善性能。与现有方法相比，我们的方法在平面角度定位准确度上提高了 9%，在采样图像质量的归一化互相关上提高了 8%。此外，我们的方法在资源受限环境下具有更高的效率，参数量比集成方法少 5 倍，同时利用旋转不连续性和输出不确定性提高了对自由扫描噪声的鲁棒性。

    May, 2024

  • 基于不确定性的合理性检查：应用于术后脑肿瘤空洞分割

    该研究使用蒙特卡罗 dropout 法计算神经网络的参数不确定性，以提高神经网络模型对图像分割的可靠性，并将此方法应用在临床数据中，表明该方法对不均质图像精准分割效果显著，同时还能发现分割中的异常结果，显示神经网络的参数不确定性能够对其进行验证。

    Jun, 2018

  • 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

  • ReFuSeg：基于正规化的多模态融合技术用于精确脑肿瘤分割

    该论文介绍了一种新颖的多模态方法，用于通过四种不同的成像模态进行脑损伤分割，同时对缺失模态等实际场景具有鲁棒性，以确保病变分割的可靠性。

    Aug, 2023