风格迁移和自监督学习驱动的心肌梗死超分辨率分割

Sep, 2023

风格迁移和自监督学习驱动的心肌梗死超分辨率分割

Style Transfer and Self-Supervised Learning Powered Myocardium Infarction Super-Resolution Segmentation

Lichao Wang, Jiahao Huang, Xiaodan Xing, Yinzhe Wu, Ramyah Rajakulasingam...

TL;DR该研究提出了一个流程，结合了一种新颖的风格转换模型和同时进行超分辨率和分割的模型，旨在提高扩散张量成像（DTI）图像通过将其转换成提供具有高分辨率和明显突出心肌梗塞（MI）区域的大量数据的晚期钆增强（LGE）领域。

Abstract

This study proposes a pipeline that incorporates a novel style transfer model and a simultaneous super-resolution and segmentation model.

style transfer model super-resolution segmentation model diffusion tensor imaging myocardium infarction

发现论文，激发创造

神经风格迁移改进不一致数据下的三维心血管 MR 图像分割

StyleSegor 是一种有效且易于使用的策略，通过神经样式传输算法对未标记的数据进行处理，应用概率调整和集成学习，以提高医学图片分割问题的准确性和泛化能力，尤其是在高度不一致数据方面。

Sep, 2019

运用时空方法改进动态增强 MRI 的风格转移

在 DCE-MRI 中进行风格转换是一项具有挑战性的任务，由于不同组织和时间中对比度增强的大幅变化。本文提出了一种新方法，该方法结合了自编码器来解开内容和风格，并使用卷积 LSTMs 对时间中的预测潜空间进行建模，并使用自适应卷积来应对对比度增强的局部性质。通过提出一个考虑对比度增强的新度量方法来评估我们的方法，定性和定量分析表明所提出的方法在两个不同数据集上优于现有技术水平。

Oct, 2023

基于 2D-3D 级联网络的晚期钆增强心脏磁共振图像中的心肌梗死疤痕分割纠错

本文提出了一个级联的卷积神经网络框架，使得能够自动化地计算心肌梗死的程度，并且在训练中通过人工生成特征，使模型可以检测和修正 2D 分割错误，并在 EMIDEC 挑战中超越了现有方法以及 2D 和 3D nnU-Net，并且通过大量实验显示出所提出的误差校正级联方法所具有的优点。

Jun, 2023

LeFusion：基于病灶聚焦扩散模型合成心脏磁共振图像上的心肌病理

数据综合通过提出的基于病变聚焦扩散模型（LeFusion）来缓解医学影像综合中的挑战，该模型能够将病变区域与背景上下文进行有效分离，从而增强对合成输出的控制能力。实验证实，这种综合数据的方法能够有效地提升当下最先进模型在 DE-MRI 心脏病变分割数据集 (Emidec) 上的性能。

Mar, 2024

急性心肌梗死 MRI 心肌分割和 T2 定量的同时深度学习

在心脏磁共振成像（MRI）分析中，提出了一种名为 SQNet 的双任务网络，集成了 Transformer 和卷积神经网络（CNN），能够同时完成心肌分割和 T2 定量分析，提高了诊断准确性。

May, 2024

级联卷积神经网络用于延迟增强心脏磁共振图像的自动心肌梗死分割

本文提出了使用级联卷积神经网络从心脏 MRI 图像中，自动分割心肌梗死相关区域的方法，并在 MICCAI 2020 EMIDEC 数据集上，取得优异的分割表现。

Dec, 2020

分解的基于隐空间能量的风格转换：一种基于图像水平的结构磁共振图像协调框架

设计了一种新颖的分离的基于潜在能量的风格翻译（DLEST）框架，用于未配对的图像级 MRI 协调，包括（1）无场地相关图像生成（SIG），（2）场地特定风格翻译（SST）和（3）场地特定 MRI 合成（SMS）。

Feb, 2024

CaRe-CNN：基于级联优化的 CNN 用于心肌梗死细分与微血管闭塞的分割

我们提出了 Cascading Refinement CNN (CaRe-CNN)，这是一种完全的 3D、端到端训练、三阶段 CNN 级联，利用有标记的心脏数据的层次结构。通过我们的 CaRe-CNN 进行的准确心脏分割，可以生成个体化心脏模型，为个性化医学迈出了重要的一步。

Dec, 2023

用于半监督组织病理学分割的样式提取扩散模型

提出了基于风格提取的扩散模型，通过风格调控机制生成具有未见过风格的图像，并将其用于布局分割等下游任务中。在自然图像和组织病理学领域的实验中，验证了该方法的多样性和生成图像对性能影响的改进。

Mar, 2024

DGInStyle：基于图像扩散模型和风格化语义控制的领域通用语义分割

我们提出了一种名为 DGInStyle 的高效数据生成流水线，通过将预训练的潜在扩散模型（LDM）专门用于语义控制生成，设计一种多分辨率潜在融合技术来克服 LDM 对主导对象的偏见，并提出一种样式交换技术来赋予丰富的生成先验学习的语义控制。使用 DGInStyle，我们生成了一个多样化的街景数据集，在其上训练了一个领域无关的语义分割模型，并在多个流行的自动驾驶数据集上评估了该模型的性能，我们的方法一致提高了几种领域泛化方法的性能，在某些情况下比之前的最先进方法提高了 2.5 个 mIoU，而没有我们的生成增强方案。

Dec, 2023