Oct, 2023

Fetal-BET: 胎儿 MRI 脑部图像提取工具

PDF
TL;DR使用大规模注释数据集，结合 U-Net 风格结构、注意力机制、多对比度特征学习和数据增强，开发验证了准确、高效、具有普适性的自动胎儿脑提取深度学习方法。
fetal brain extractionmachine learningfetal mri sequencesdeep learning methodsu-net style architectures
发现论文，激发创造
  • 深度学习实现胎儿 MRI 中胎儿脑自动提取

    本论文旨在研发一种基于 2D U-net 和 autocontext 的深度卷积神经网络，用于实时分割胎儿 MRI 切片中的胎儿大脑，并将其与其他两种方法进行比较，在正常和具有挑战性的测试集中取得了优异的性能表现。

    Oct, 2017

  • 从噪音注释中学习分割胎儿脑组织

    本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

    Mar, 2022

  • 使用胎儿组织注释数据集的自动多组织人类胎儿大脑分割基准测试

    提供了一个公开可用的病理和非病理胎儿磁共振脑体积重建的数据库，覆盖 20 至 33 周的不同孕龄和 7 个不同的组织类别，以及对多种自动多组织分割算法准确性的量化评估。

    Oct, 2020

  • DeepBet: T1 加权 MRI 的快速脑提取使用卷积神经网络

    使用深度学习方法构建了一种名为 Deepbet 的快速、高精度的脑提取工具，其对磁共振成像数据进行了分割，并在交叉验证中表现出了新的最先进性能，Dice 分数中位数为 99.0%，优于现有的模型，而且相对于当前方法加速了约 10 倍。

    Aug, 2023

  • 应用注意力机制的深度学习模型预测胎儿脑部孕周

    利用基于注意力机制的深度学习模型结合多视图 MRI 图像，可以精确预测胎儿的孕周，在收集了 125~273 天多年龄段的胎儿脑 MRI 数据集的基础上，R2 值达到了 0.94。

    Dec, 2018

  • 2D 胎儿脑超声分析基准

    该研究聚焦于使用超声技术获取 2D 胎儿脑部图像，提供了一个共同空间中的模板和注释图像用于分析脑发育，检测异常，并开发新的分割技术和配准方法。

    Jun, 2024

  • 基于区域一致性的半监督学习用于胎儿脑 MRI 质量评估

    本研究提出了一种基于半监督的深度学习方法，通过均值教师模型及 ROI 一致性损失检测胎儿脑体积扫描中的伪迹，结果表明相比于有监督学习，该方法可以提高模型准确度约 6％，并且优于其他半监督学习方法。此外，该方法已在 MR 扫描仪上进行实现和评估，并证明了胎儿 MR 扫描过程中在线图像质量评估和图像重新采集的可行性。

    Jun, 2020

  • SAM vs BET: 基于深度学习的磁共振图像脑提取和分割的比较研究

    本文对比研究了 Segment Anything Model 与当前广泛应用的 BET 技术在用于脑扫描的 MRI 数据中的效果差异并发现，在信号不均匀、像素分辨率不同、或者存在于脑和脑膜外侧部分的损伤等情况下，SAM 表现更佳，有望成为更准确、稳健和多用途的脑分割工具。

    Apr, 2023

  • 胎儿大脑的解剖学束追踪

    提出了一种基于胎儿脑组织精确分割的解剖约束轨迹追踪方法，通过深度学习自动计算出精确的分割， 从而显著提高扩散张量成像的准确性和可重现性。

    Mar, 2024

  • 人工智能在胎儿静息状态功能性磁共振成像脑分割中的比较分析：3D UNet、VNet 和 HighRes-Net 模型

    该研究介绍了一种新的人工智能应用于胎儿脑功能磁共振成像 (fMRI) 的大脑分割自动化方法，并对不同 AI 模型在胎儿 fMRI 大脑分割中的性能进行了评估和分析。

    Nov, 2023