Sep, 2023

纵向单层腹部计算机断层扫描调和的深度条件生成模型

PDF
TL;DR通过使用 C-SliceGen 生成预定义的椎体水平切片，从而解决了不同年份获取的切片之间的位置变化导致不同器官 / 组织被捕捉到的问题，并通过评估我们的方法在多个数据集上的能力，证实了我们的方法在减少体腔脂肪面积方面可以协调纵向位置方差，为单片纵向分析提供了一个有希望的方向。
发现论文，激发创造
  • 增强单层切片分割通过 3D 转 2D 非配对扫描蒸馏

    本研究提出了一种新颖的 3D 到 2D 蒸馏框架，利用预训练的 3D 模型增强 2D 单层切片分割，并在 707 个受试者数据集上进行的实验证明，该方法能够改善单层多器官分割的性能，尤其在低数据量情况下表现出色。

    Jun, 2024

  • 快速 CT 解剖定位算法

    通过定位部分层面并使用线性模型将层面索引映射到其估计的轴向解剖位置，我们能够自动确定 CT 扫描中每个层面的位置并在视觉检查和自动分析中实现快速区域检索，同时具有高计算效率、准确性和鲁棒性。

    Dec, 2023

  • 腹部 CT 的语义图像合成

    我们研究了基于条件扩散模型的腹部 CT 语义图像合成，并对三种不同的扩散模型以及其他基于生成对抗网络的方法进行了系统评估。实验结果表明，扩散模型能够合成具有更好质量的腹部 CT 图像。此外，将语义掩码和输入分别编码比简单拼接更加有效。

    Dec, 2023

  • 自动腹部 MRI 器官分割：基于 CT 标签生成的合成数据的应用

    利用 CT 标签地图生成合成图像，应用于腹部器官分割的 U-Net 网络训练，在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。

    Mar, 2024

  • 多器官分割的形状感知补充任务学习

    本研究旨在基于器官特异性形态先验学习的角度来解决全身 CT 扫描中的多器官分割问题，提出了两项互补任务 —— 距离图回归和轮廓图检测 —— 以明确编码每个器官的几何特性，并在公共数据集上评估所提出的解决方案，对比实验结果表明，互补任务学习的加入在 Dice 评分方面达到了显著改进.

    Aug, 2019

  • 基于切片隐式扩散模型的 3D MRI 合成：改善数据稀缺情况下肿瘤分割任务

    利用切片扩散架构，从医学图像生成融合体数据和对应掩膜，以解决医学图像分割中数据获取不足的问题，并考虑肿瘤特征进行生成，通过对 BRATS2022 数据集的实验证明生成数据对数据增强的有效性。

    Jun, 2024

  • 自监督医疗 CT 合成的逐步跨视图相互蒸馏

    本文提出了一种基于自监督学习的医疗切片合成方法，通过不同视角下的学习和交互相互指导，从而实现在不需要中间切片的情况下增加切片间分辨率，经过大量量化和定性实验验证的结果表明，所提方法明显优于同类算法。

    Dec, 2021

  • 利用 Swinunter 进行 CT 腹部多器官分割

    应用基于转换器的模型进行训练，研究论文中介绍了在计算机断层扫描中腹部多器官分割的重要性以及深度学习方法在此方面的应用。尽管由于器官边界模糊、复杂的背景和不同器官尺度的挑战，单个网络精确分割不同器官仍然具有挑战性。先前的竞赛中基本上所有前五名的方法都使用了基于卷积神经网络的方法，与此相对，本研究中使用基于转换器的模型，并以竞赛中的大量样本为基础，展示了转换器模型在腹部多器官分割中的可行性及结果表现。

    Sep, 2023

  • AbdomenCT-1K：腹部器官分割问题已得解决吗？

    该论文介绍了一个大规模的腹部 CT 器官分割数据集 AbdomenCT-1K，其中包括来自 12 个医疗中心的 1000 多个 CT 扫描，并指出现有的分割方法在不同医疗中心、不同阶段和看不见的疾病上存在一定的局限性，提出了用于此类数据的四个器官分割基准以及针对这些基准的简单而有效的方法，这将有助于未来的医学影像研究。

    Oct, 2020

  • 监测病变增长的纵向脊柱 CT 图像配准

    实现自动且鲁棒的纵向脊柱图像配准对于评估疾病进展和手术结果至关重要，本文提出了一种新颖的方法，通过深度学习模型自动定位、标记和生成三维表面，然后使用高斯混合模型表面配准实现纵向脊柱 CT 图像对齐并准确评估病变进展，实验证明该方法在 37 个椎体、5 名患者的基线和 3、6、12 个月后的随访图像上显示出了平均 Hausdorff 距离为 0.65 毫米和 Dice 分数为 0.92 的准确配准。

    Feb, 2024