Aug, 2023

OnUVS：在线特征解耦高保真超声视频合成框架

PDF
TL;DR通过在线特征解耦框架 OnUVS，我们成功合成了具有高保真度的超声视频，通过将解剖学信息引入关键点学习、实现内容和纹理特征解耦、采用多特征鉴别器提取全面的视觉提示以及限制关键点的运动轨迹，从而提升了合成视频的流畅性。
ultrasound imagingus videosfeature-decoupling frameworkanatomical integritymotion trajectories
发现论文，激发创造
  • 特征解耦的弱监督高保真超声视频合成

    本文提出了一种基于动态内容图像的高保真超声图像视频综合方法，采用自我和全面监督学习，同时采用对偶编码器和 GAN 损失策略，实现了对复杂超声瞬态运动的处理，并在大量临床数据中进行了有效验证。

    Jul, 2022

  • 通过对比运动聚类实现在线非监督视频物体分割

    本文提出了一种基于对比学习的无监督在线视频目标分割算法，利用光流作为输入，通过聚类的方式学习物体运动信息，并采用边界先验进行对比学习以提高特征鉴别度和分割精度，该算法在多个数据集上取得了超过现有方法的精度并在效率和准确性之间达到了良好的平衡。

    Jun, 2023

  • SimulFlow：无监督视频目标分割中同时提取特征与识别目标

    本文提出了一种名为 SimulFlow 的新型无监督视频目标分割模型，它同时进行特征提取和目标识别，实现高效和有效的无监督视频目标分割，通过利用灵活的注意力机制来融合图像和运动信息，减少了计算复杂性和融合难度，并在多个基准数据集上取得了领先的性能。

    Nov, 2023

  • DopUS-Net: 基于多普勒信号的质量感知机器人超声成像

    本文提出了一种利用 Doppler 效应的血管再识别模块的 DopUS-Net，用于血管病变的自动分割和血管筛选程序的实时监测，实验结果表明，这种方法可以显著提高分割结果的准确性和鲁棒性。

    May, 2023

  • 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

  • 基于学习的超分辨率框架在美国信号中的应用

    提出了一种基于深度学习的超分辨率超声图像和视频增强方法，通过训练模型和大量医学图像数据进行定制化的超分辨率处理，实现了对不同解剖区域的低分辨率超声图像和视频的有效提高，并且兼顾了训练网络的运算速度和硬件资源消耗。

    Apr, 2023

  • 通过关键帧特征中心的指导提升乳腺超声视频分类

    探索使用静态图像数据集增强超声视频分类性能的可能性，提出了 KGA-Net 和一致性损失，通过使用静态图像生成的特征中心来引导视频模型中的帧注意力的一致性损失，KGA-Net 显著提高了公共 BUSV 数据集的分类性能，并证明了该方法的解释性。

    Jun, 2023

  • 将更多注意力转移到超声乳腺病变分割上的研究

    通过精心策划的一个覆盖广泛的视频数据集和创新的 FLA-Net 模型，实现了超声视频乳腺病变分割的最先进性能，并显著减少了时间和空间复杂度。

    Oct, 2023

  • PIPsUS：超声自监督密集点追踪

    我们提出了一种自我监督的像素级追踪模型，名为 PIPsUS，该模型可以在单次前向传递中追踪任意数量的点，并利用多个而不仅仅是连续的帧考虑时间信息。我们的方法在颈部和口腔超声以及超声心动图上进行了评估，与快速归一化互相关和调整的光流相比，显示出更高的点追踪准确性。

    Mar, 2024

  • 多 IMU 在线自一致性用于手持式 3D 超声重建

    该文介绍了使用多个惯性测量单元的在线自我一致性网络，以改善超声成像的三维重建性能。该网络在模态和序列级别上采用了自我监督策略，并在大规模数据集上得到了最先进的重建性能。

    Jun, 2023