Aug, 2023

对比增强光谱乳腺摄影的虚拟对比增强的深度学习方法

PDF
TL;DR使用深度生成模型进行增强对比度的研究，旨在减少乳腺 X 光造影的副作用和辐射剂量，通过生成深度网络生成合成的显影图像，研究结果显示 CycleGAN 是最有潜力的深度网络，突出了人工智能在该领域进行虚拟对比度增强的潜力。
contrast enhanced spectral mammographycesmdeep generative modelscontrast enhancementradiation dose reduction
发现论文，激发创造
  • 增强光谱乳腺 X 线摄影中的病变检测

    本研究介绍了使用深度学习构建的计算机辅助诊断 (CAD) 技术，基于 Contrast Enhanced Spectral Mammography (CESM) 图像，通过神经网络识别乳腺恶性病变和进行分类，前期数据的结果证明最终模型在乳腺癌诊断上有很高的可行性。

    Jul, 2022

  • CAVM：针对增强对比度脑肿瘤 MRI 合成的有条件自回归视觉模型

    提出了用于改进对比增强脑肿瘤磁共振成像的条件自回归视觉模型 (CAVM)。CAVM 通过逐渐增加造影剂剂量从而生成高剂量虚拟图像，使用分解标记器和解码器进行图像的自动回归策略，最终产生对比增强的磁共振成像。

    Jun, 2024

  • 增强肿瘤分割的术前和术后对比乳腺磁共振成像合成

    利用生成对抗网络 (GAN) 将原始的 T1 加权饱和脂肪胸部 MRI 图像转化为相应的首次动态对比增强 MRI 序列，生成合成对比增强图像，并通过定量图像质量度量来评估生成的数据质量，将其应用于三维乳腺肿瘤分割，结果表明通过数据增强方式合成后的动态对比增强 MRI 图像在增强乳腺肿瘤分割模型的稳健性方面具有潜力，代码链接见摘要。

    Nov, 2023

  • 使用卷积神经网络将单能量计算机断层摄影转换为双能量计算机断层摄影的参数图

    我们提出了一种使用卷积神经网络的深度学习多任务学习框架，将单能 CT 直接转换为双能 CT 的三种不同参数图：虚拟单色图像、有效原子序数和相对电子密度。

    Sep, 2023

  • 使用生成对抗网络 (GAN-CEST) 加速和量化三维半固态 MT/CEST 成像

    本篇论文通过 4 个数据集的测试，设计了一种基于生成性对抗网络的 3D 化学交换饱和转移和磁化转移磁共振指纹（CEST 和 MT）成像方法，大大缩短了检测时间，同时保证了成像效果。

    Jul, 2022

  • 深度生成对抗网络在压缩感知自动磁共振成像中的应用

    本研究提出了一种利用生成对抗网络在历史病人的诊断质量磁共振图像上训练的压缩感知框架，能够在几毫秒内重建高对比度图像并去除混叠伪影和高频噪声。

    May, 2017

  • 通过扩散模型生成乳腺摄影合成图像 MAM-E

    本研究提出了使用扩散模型生成高质量全场数字乳腺 X 线照片以及使用稳定扩散模型在健康乳腺照片上修复合成病变的方法，并引入了一个由文本提示控制的生成模型管道 MAM-E，能够在乳房特定区域生成合成病变，并提供了对生成图像的定量和定性评估以及易于使用的图形用户界面用于乳腺 X 线影像合成。

    Nov, 2023

  • 使用多 b 值 DWI 为基础的分层融合网络与关注机制综合合成增强对比度的乳腺磁共振影像

    本研究开发了一种多序列融合网络，基于 T1 加权 MRI 和 DWI 合成对比增强 MRI，可以潜在地用于合成 CE-MRI，从而在理论上减少使用 GBCA，降低对患者的负担。

    Jul, 2023

  • 朝向对侧双视图乳腺癌分析的稳健自然形态乳房 X 射线创伤综合

    近年来，许多乳腺 X 光摄影图像分析方法已被引入以改善癌症分类任务。本研究提出了两种主要问题的解决方案：利用多视图信息和处理类别不平衡问题。针对这两个问题，我们提出了简单而新颖的方法，通过利用辅助视图的低级特征信息，增强了主要视图，以学习包含癌症特征的高级特征，并提出了一种适用于上采样次要类别样本的恶性乳腺 X 光摄影合成框架，效果优于传统方法。

    Sep, 2023

  • 辅助引导下的对比扩散模型用于粗到精 PET 重建

    通过粗略到精细的正电子发射断层扫描重建框架，结合辅助指导策略和对比扩散策略，本文提出了一种优化低剂量 PET 图像的方法，改善了 LPET 图像与重建 PET 图像之间的对应关系，提高了临床可靠性。

    Aug, 2023