Oct, 2023

时空超声定位显微镜的深度学习框架

HTML
PDF
TL;DR通过深度学习中的三维卷积神经网络，从具有高泡沫浓度的超声数据中恢复密集的血管网络。
发现论文，激发创造
  • 多光子显微镜血管成像的深度学习卷积神经网络分割

    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: 三维血管造影体积中的血管分割、中心线预测和分叉点检测

    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

  • 深度展开的鲁棒主成分分析及其在超声杂波抑制中的应用

    本文提出了一种使用机器学习中的鲁棒主成分分析和深度展开技术的方法，用于去除超声图像中的杂波，并优化超声图像对于血管的可视化效果。

    Nov, 2018

  • LOTUS：学习优化基于任务的超声图像表示

    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

  • RF-ULM：射频超声定位显微镜的深度学习

    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

  • 从射频数据学习超分辨率超声定位显微镜

    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

  • 利用CNN和测地线拟合树模型以跟踪血管并应用于超声定位显微镜数据

    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

  • 稀疏张量神经网络修剪用于3D超声定位显微镜的深度学习

    用稀疏张量神经网络可以减少超声局部显微镜在三维成像中的存储需求，并在高浓度情况下明显优于传统的ULM方法。

    Feb, 2024

  • CathFlow: 使用光流和Transformer对介入超声中导管进行自监督分割

    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

  • 基于端到端深度学习的超声波波束成形的实验验证

    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