时空超声定位显微镜的深度学习框架
本研究旨在为自由使用的2光子血管显微镜成像数据集提供一种深度学习框架,该框架基于2D和3D卷积滤波器(ConvNet)。 这种2D和3D混合体构架的分割结果表明,这对于分割体积性血管成像是有很好的推广潜力的。
Jun, 2016
DeepVesselNet是一种适用于血管图像分割的网络结构,主要使用2D十字卷积滤波器和合成数据集进行训练,能在降低计算复杂度的同时实现较高准确率。
Mar, 2018
通过模拟介质的计算,该论文提出一种新的方法,利用CT扫描的数据生成物理模拟的超声图像,通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果,并在其他器官上进行了优化图像表示的定性结果评估。
Jul, 2023
采用超分辨率深度神经网络和几何点变换的射频超声成像技术在定位过程中发现有巨大潜力,可以有效地提高精度和复杂性,弥合了合成和真实数据集之间的领域差距。
Oct, 2023
通过将未经处理的射频数据输入到超分辨率网络中,本文提出了绕过DAS波束成形及其限制的方法,以提高超声定位显微镜(ULM)的分辨率性能。通过对公开数据集的评估,我们的结果表明,排除DAS波束成形具有优化ULM分辨率性能的巨大潜力。
Nov, 2023
通过使用卷积神经网络对感兴趣的点进行定位和分类,并将血管表示为一些最小距离树状图的边,基于地形测量方法检测血管及其几何特征,我们的研究聚焦于在血管网络中检测重要的地标,并利用位置和方向的空间,准确地将2D血管表示为树状结构。我们构建了适用于超声定位显微镜(ULM)数据跟踪的模型,提出在这种类型数据上构建良好的成本函数用于跟踪。我们还对合成数据和眼底图像数据进行了测试。结果表明,缺乏良好注释的ULM数据是血管地标定位的障碍,但基于ULM数据建立的方向得分对于追踪血管具有良好的测地线效果。
Nov, 2023
我们介绍了一种自我监督深度学习架构,用于在纵向超声图像中分割导管,并消除对标记数据的需求。该模型在合成超声数据和硅主动脉模型图像上进行验证,展示了其未来在临床数据中应用的潜力。
Mar, 2024
利用深度学习和数据到图像网络来改善超快速超声成像的图像质量,结果表明即使使用很少的训练数据,该网络架构也能在所有评估指标上提高单平面波图像的质量。
Apr, 2024