Jul, 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

PDF
TL;DR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。
发现论文，激发创造
  • 简化即是美：针对腹部超声图像的同时视图分类与标志点检测

    通过使用多任务学习和卷积神经网络，提出了一种自动分类和检测腹部器官的方法，实验结果表明，该方法能够在单个网络中完成所有任务，提高特征提取的效率以及分类和测量的准确性。

    May, 2018

  • 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

  • 基于位置先验的双胞胎网络在肝脏超声序列中的标记追踪

    本文提出了一种使用全卷积 Siamese 网络进行医学超声图像中任意图像特征（而非仅规定的解剖结构）定位的方法，利用时间连续性模型作为位置先验，结合预测出的位置概率图迭代跟踪超声图像序列中的目标，应用于肝脏超声图像数据集中有竞争力的结果，这是首次成功地将 CNN 应用于这一追踪问题。

    Jan, 2019

  • 自监督超声到 MRI 胎儿脑部图像合成

    本文提出了一种基于超声图像合成类似磁共振图像的方法，该方法自监督、端到端可训练，并利用交叉模式关注和对抗性学习等技术，成功生成了逼真的胎儿 MRI 图像。

    Aug, 2020

  • 联合自监督和有监督对比学习用于多模态 MRI 数据：走向预测异常神经发育

    利用多模态成像、深度学习和对比学习方法，从多模态 MRI 数据中学习鲁棒的潜在特征表示，将异构特征投影到共享空间，整合不同模态和类似主体间的互补和类似信息，进而提高了异常神经发育的预测能力和计算机辅助诊断的功效。

    Dec, 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

    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。

    Jul, 2023

  • 3D 照片的全自动标志地和面部分割

    使用基于深度学习的方法，该研究发展和评估了一种自动化头影测量标注方法。该方法在三维面部立体摄影中实现了自动的标注，能够精确和一致地标记关键点，可用于大数据集的定量分析，诊断，随访和虚拟手术规划。

    Sep, 2023

  • 多智能体强化学习在多个地标检测中的应用

    本文提出了一种基于多智能体强化学习的多个解剖标志点检测方法，使用 Deep Q-Network（DQN）架构构建环境和代理，并在训练过程中协作共享累积的知识，相较于现有技术方案，该方法将检测误差减少了 50％, 需要较少的计算资源和训练时间。

    Jun, 2019

  • 利用多视角数据进行无注释的前列腺 MRI 分割：对比方法

    通过对多视图数据进行对比学习，我们提出了一种基于 U-Net 的三重编码器和单一解码器网络，tU-Net，可以充分利用未经注释的矢状和冠状视图，以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进，并且在缺少视图的情况下，提供了灵活性，表明通过对比学习来利用未经注释的多视图数据的可行性。

    Aug, 2023

  • MRI 脑肿瘤分级的双重注意力型、跨模态引导多模态学习

    通过 MRI 多模态学习和跨模态指导，提出了一种用于 MRI 脑肿瘤分级的新方法，以准确识别肿瘤类型和等级，并选择精确的治疗计划。

    Jan, 2024