Aug, 2023

影像技术一致化 (HAIL)：脑部磁共振成像的单次学习

PDF
TL;DR我们提出了一种基于神经风格迁移的一次学习方法，用于医学影像的谐调化，以防止医学成像中的幻觉，并有效地保护患者的解剖结构。我们的方法可以应用于新的临床场景和临床试验中的未见数据，成为现实世界医学应用的宝贵工具。
machine learning-based prognosisrare diseasesmedical imaging datadeep learning-driven harmonizationneural style transfer
发现论文，激发创造
  • 基于分割重标准化的深度特征调制技术，用于非配对图像协调

    本文提出了一种基于分割归一化图像转换框架的方法，通过用可训练的比例和位移参数代替归一化层中的仿射变换，调制每个级别的特征，从而减少各种成像设备之间的异构性，同时保留解剖结构布局，并在多种成像模态（T1w MRI，FLAIR MRI 和 OCT）的数据集上进行评估。

    Feb, 2021

  • BlindHarmony: 通过流模型实现 MR 图像的盲调和

    本研究提出了一种称为 “盲协调” 的新概念，利用目标领域的数据进行训练但仍具有协调看不见领域图像的能力，为此我们开发了 BlindHarmony 技术，利用目标领域数据进行训练的无条件流模型。实验结果显示 BlindHarmony 在模拟和实际数据集上都取得了显着的成绩，突显了它在临床设置中的潜力。

    May, 2023

  • 通过生成对抗网络在小样本大小设置中进行显微镜和磁共振成像之间的风格转移

    MRI 扫描的磁共振成像和显微成像的跨模态增强具有潜力，可以在没有侵入性活检程序的情况下进行组织病理学分析。本文测试了一种使用条件生成对抗网络（cGAN）架构从 MRI 扫描中生成微观组织学图像的方法。该方法通过训练配对的图像转换模型，将 MRI 扫描和显微镜图像集合起来。通过可靠地合成胼胝体的组织学图像，这项技术突显了网络在训练高分辨率组织学图像和相对较低分辨率 MRI 扫描方面的能力。该工具的最终目标是避免活检，可用于教育目的。

    Oct, 2023

  • 面向区域的自适应实例标准化用于图像协调

    本文提出了一种基于深度学习的图像和谐方法，通过引入基于区域的自适应实例归一化 (RAIN) 模块，实现了前景与背景之间的视觉风格一致，并且在现有数据集上进行了大量实验验证，提出的方法具有很高的应用价值。

    Jun, 2021

  • ARHNet：适应性区域协调用于病变感知增强以提高分割性能

    提出一种前景调和框架（ARHNet）来解决 MRI 扫描的强度不均匀问题和使合成图像看起来更加逼真的问题，实验结果表明此方法在提高分割性能方面表现优异。

    Jul, 2023

  • 分层动态图像调和

    本文提出了一种分层动态网络 (HDNet) 用于图像和谐处理，该网络通过局部动态和面具感知全局动态，从本地到全局视角自适应模型参数和特征改变，以实现更好的特征转换和全局调和。

    Nov, 2022

  • 谐波不配对图像到图像的翻译

    本文提出使用 HarmonicGAN 进行无配对图像转换，通过光滑性约束来实现一致的像素映射，并利用距离度量来维护样本的自我一致性。在医疗成像、物体转换和语义标记等应用中得到了明显的定性和定量改善，并取得了优于同类方法的实验效果。

    Feb, 2019

  • HarmoFL：在异构医学图像联邦学习中协调本地和全局漂移

    本研究提出了一种名为 HarmoFL 的新框架，旨在解决医学图像中的飘移问题，通过归一化特征空间和设计客户端权重扰动，以改善本地更新漂移并实现全局最优解的聚合，来达到更好的收敛表现。

    Dec, 2021

  • 生成对抗网络用于大脑影像合成的综述

    本文主要介绍了使用生成对抗网络（GAN）进行医学图像合成的研究。作者总结了最近应用 GAN 进行交叉模态大脑图像合成的进展，包括 CT 合成 PET、CT 合成 MRI、MRI 合成 PET 以及相反的方向。

    May, 2023

  • IGUANe: 用于多中心脑部 MR 图像协调的可泛化的 3D CycleGAN

    通过引入 IGUANe（具有统一对抗网络的图像生成）方法，该研究使用深度学习方法来解决 MRI 研究中来自多个采集地点的图像数据聚合引入的类内变异性问题，从而实现多中心脑部 MR 图像的协调。

    Feb, 2024