Oct, 2023

无外部跟踪器的自由手势超声波三维重建的长期依赖性

PDF
TL;DR通过结合序列模型和多重转换预测，利用参数化长期依赖的新方法，提高了重建超声的性能。实验证明，长期依赖和扫描协议的长度和间隔相关，但与使用长短期记忆模块的递归网络无关。调整训练中的解剖图像内容和扫描协议方差会降低重建准确性，但代表性的扫描协议模式比解剖特征对性能提高的影响更大。提出的算法利用超参数调整方法有效地利用长期依赖，并在数据收集、扫描协议调整和网络开发方面具有实际意义。这一新方法为重建超声的模型开发和实际应用优化提供了有益的性能改进。
发现论文，激发创造
  • 无跟踪 3D 超声重建中的特权解剖学和协议识别

    通过在训练过程中利用解剖和协议作为特权信息，将其作为辅助任务，以改进现有的基于深度神经网络的方法，实现无需其他外部追踪设备的三维自由手持超声重建。实验结果表明解剖和协议变异都是 DNN-based US reconstruction 的关键因素，并且通过所提出的算法可以显著提高帧预测准确性、体积重建重合度、累积跟踪错误和最终漂移。

    Aug, 2023

  • 学习回归和验证网络以进行长期视觉跟踪

    我们提出了一个基于深度回归和验证网络的新型长期跟踪框架，其中使用对象感知特征融合和区域提案网络设计了离线训练的回归模型，该模型可以有效生成候选框并估计它们的相似度分数，在线实时更新以适应外表上的变化。通过结合相似度和分类分数，我们的跟踪器可以准确确定目标的缺席并进行图像全局重检测以成功捕获目标。

    Sep, 2018

  • 针对机器人超声引导手术的技能转移学习的简单框架

    本文提出了一个用于机器人超声引导手术的技能转移学习的简单框架，该框架包括合适的取样技术、计算效率高的神经网络模型，实现了实时应用的技能转移学习。研究结果表明，经验丰富的临床医生比非临床医生在超声引导手术中具有更快和更顺畅的动作；为了实现实时应用，未来的工作需要使用剪枝和量化神经网络模型。

    May, 2023

  • 利用时间上的光度一致性实现稀疏监督的手 - 物体重建

    模拟手 - 物互动的姿态估计方法，通过不依赖稠密标注数据的光度一致性方法可同时进行手和物体的三维重建和精确定位，取得了 3D 手 - 物重建基准测试的最优结果，并展示了其在低数据场景下通过相邻帧获取信息以提高姿态估计精度的能力。

    Apr, 2020

  • 使用视觉惯性和深度惯性测量髌骨跟踪的 3D 手持式超声

    通过结合二维超声波和运动跟踪，利用语义分割和位置配准进行三维重建，作者提出了一种用于监测关节运动的新方法，该方法能够在不需要昂贵的外部基础设施的情况下评估骨骼的三维重建准确性。

    Apr, 2024

  • 用于自动评估胎儿超声视频质量的分层代理强化学习框架

    本研究通过强化学习提出了一个双层质量评估模型，能有效地评估超声图像的质量，通过稀疏的二进制注释训练，结果证实该模型能够胜任胎儿脑数据质量评估任务。

    Apr, 2023

  • 医学超声视频识别中时间特征的相关性研究

    我们提出了一种新颖的多头注意力结构，将时间特征排除在外以实现在常见超声任务中更好的样本效率，结果表明，对于一些低数据量的常见超声任务，表达时间无关的模型可能比最先进的视频识别模型更有效。

    Oct, 2023

  • 多 IMU 在线自一致性用于手持式 3D 超声重建

    该文介绍了使用多个惯性测量单元的在线自我一致性网络，以改善超声成像的三维重建性能。该网络在模态和序列级别上采用了自我监督策略，并在大规模数据集上得到了最先进的重建性能。

    Jun, 2023

  • 学习超声平面姿态回归：评估胎儿大脑中广义姿态坐标

    本研究旨在开发一种超声定位系统，以通过卷积神经网络回归网络预测胎儿脑部任意定向的超声截面图像在参考标准框架下的六维姿态，同时分析评估该参考框架对标准平面获取的准确性，并探究注册质量和数据扩充等因素对训练和测试结果的影响，最终使本系统的平均翻译误差和旋转误差分别达到 3.53 毫米和 6.42 度。

    Jan, 2023

  • 长期视觉跟踪性能评估

    我们提出了一种新的长期跟踪性能评估方法，并提出了一个具有许多目标消失的精心选择序列的新挑战性数据集，通过使用适用于评估长期跟踪的新性能指标 - 跟踪精度，召回率和 F 得分来广泛评估了六个长期和九个短期的最先进的跟踪器，评估结果表明，良好的模型更新策略和全局检测能力对于长期跟踪性能至关重要，我们将该方法集成到 VOT 工具包中以自动化实验分析和基准测试，并促进了长期跟踪器的开发。

    Apr, 2018