深度学习在脑影像合成技术中的系统回顾

Sep, 2023

深度学习在脑影像合成技术中的系统回顾

Systematic Review of Techniques in Brain Image Synthesis using Deep Learning

Shubham Singh, Ammar Ranapurwala, Mrunal Bewoor, Sheetal Patil, Satyam Rai

TL;DR该综述论文介绍了医学影像学的现状，重点关注深度学习技术在脑图像合成中的应用。强调了医学图像合成在提高诊断准确性和减少医疗过程中侵入性方面的需求，并介绍了深度学习在实现这些进展中的作用。论文探讨了各种脑图像合成方法和技术，包括二维到三维构建、MRI 合成和变换器的使用。还讨论了这些方法面临的限制和挑战，例如获取经过精心筛选的训练数据和解决脑超声问题。综述通过探索这一领域的未来潜力和使用深度学习技术在医学影像学中的进一步发展机会来总结。强调了变换器的重要性及其在医学影像领域中革命性的潜力。此外，论文还讨论了解决该领域的缺点和限制的潜在解决方案。该综述为研究人员提供了关于该领域现状的更新参考资料，并旨在激发进一步研究，弥合医学影像学的当前状态与深度学习技术所提供的未来可能性之间的差距。

Abstract

This review paper delves into the present state of medical imaging, with a specific focus on the use of deep learning techniques for brain image synthesis. The need for medical image synthesis to improve diagnost

medical imaging deep learning brain image synthesis mri synthesis transformers

发现论文，激发创造

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

BrainVoxGen：用于超声到磁共振图像合成的深度学习框架

本研究提出了一种基于深度学习框架的方法，旨在利用 Pix2Pix GAN 模型从三维超声图像合成三维 MRI 体积。利用 3D 超声卷积数据集输入到 UNET 生成器和修补鉴别器，创建相应的 3D MRI 体积。通过对 3D 超声和 MRI 图像数据集应用鉴别器和生成器的损失函数来评估模型性能。结果表明合成的 MRI 图像与预期结果存在一定的相似性。尽管在数据集大小、计算资源和技术复杂性方面存在挑战，但该方法成功生成了具有满意相似性评分的 MRI 体积，并可作为进一步研究的基线。它突显了基于深度学习的体积合成技术在超声到 MRI 转换中的潜力，展示了其在医学应用中的可行性。需要进一步改进和探索以提高临床相关性。

Oct, 2023

合成脑图像：用生成对抗模型弥合脑部映射中的差距

使用深度卷积生成对抗网络（DCGAN）合成高保真和逼真的 MRI 图像切片，为医学影像研究提供深度学习技术的应用。

Apr, 2024

多种医学模态下的合成数据生成人工智能：最新发展及挑战的系统综述

本研究综述了生成模型在合成各种医学数据类型方面的广泛应用，探索了合成应用、生成技术和评估方法等方面的见解，强调了医学数据的唯一性和临床应用的需求。同时，研究也揭示了医学图像评估方法的不足之处，呼吁进行深入评估、基准测试和比较研究以促进开放和合作。

Jun, 2024

深度学习用于加速和鲁棒的 MRI 重建的综述

深度学习在磁共振成像重建中的应用及其对临床成像实践的潜力进行了全面综述，重点包括改善图像质量、加速扫描、处理数据相关挑战的深度学习方法和架构，以及优化采集协议、增强对分布变化的鲁棒性和克服潜在偏差等方面的讨论。

Apr, 2024

医学影像中深度学习的综述：影像特征、技术趋势、案例研究、进展亮点和未来前景

本文综述了深度学习在医学成像领域的应用，阐述了医学成像的特点、临床需求和技术挑战，描述了深度学习是如何应对这些问题的，其中包括网络结构、稀疏和噪音标签、联邦学习、可解释性、不确定性量化等内容。此外也介绍了常见的数字病理学和胸部、脑部、心血管和腹部成像等几个临床案例，最后展望了未来研究的方向。

Aug, 2020

医学影像深度学习综述：MRI 为重点

概述了近年来机器学习在医学图像处理和分析领域的应用，特别关注深度学习在 MRI 中的应用，以及为对这个领域感兴趣的人提供好的教育资源、最先进的开源代码和有趣的数据来源及相关问题。

Nov, 2018

BraSyn 2023 挑战：缺失 MRI 综合与不同学习目标的影响

本研究针对 BraTS 2023 中的 Brain Magnetic Resonance Image Synthesis for Tumor Segmentation (BraSyn) 挑战，通过深度学习中的图像对图像转换探究不同图像质量损失函数的监督下常用的深度学习框架 Pix2Pix 的有效性，并展示了不同学习目标的有益组合如何优化图像合成性能。

Mar, 2024

从 3T 采集合成 7T MRI

用监督深度学习技术可以从 3T MRI 输入生成合成的 7T MRI。本文介绍了多种基于自定义变体的 V-Net 卷积神经网络的 7T 合成算法。我们证明基于 V-Net 模型在增强单点和多点 MRI 数据集方面的性能优于现有基准模型。我们的模型在训练了 8 个轻微创伤性脑损伤（TBI）患者的 3T-7T MRI 对后，在合成 7T 方面实现了最先进的性能。与以前的研究相比，我们的管道生成的合成 7T 图像还显示了对病理组织的优越增强效果。此外，我们还实施和测试了一种对输入分布变化具有鲁棒性的模型训练数据增强方案。这使合成的 7T 模型能够适应多中心数据集中的扫描仪内部和跨扫描仪的变异性。在包括健康受试者和轻微 TBI 患者的两个机构的 18 对 3T-7T MRI 数据集上，我们的模型保持其性能，并能在分辨率较低的 3T MRI 输入上泛化。我们的发现证明了基于 V-Net 模型在 MRI 增强方面的潜力，并为增强合成 7T 模型的泛化能力进行了初步探索。

Mar, 2024

增强图像：核磁共振中使用人工智能进行超分辨率

本章提供了关于深度学习技术用于改善 MRI 空间分辨率的概述，包括卷积神经网络、生成对抗网络，以及更高级的模型，如 transformers、扩散模型和隐式神经表示。我们探索了超分辨图像对临床和神经科学评估的影响，并涵盖网络架构、图像评估指标、网络损失函数和训练数据细节等各种实际主题，包括模拟低分辨率图像的下采样方法和数据集选择。最后，我们讨论了深度学习 MRI 超分辨率的现有挑战和潜在未来发展方向，旨在促进其广泛应用于各种临床和神经科学应用。

Jun, 2024