Nov, 2023

FetMRQC：一个用于多中心胎儿脑部核磁共振成像质量控制的开源机器学习框架

PDF
TL;DR产前诊断中，胎儿脑 MRI 成为神经超声的重要补充，通过对妊娠期间胎儿脑发育的基本洞察。本研究提出 FetMRQC，一个开源的机器学习框架，用于自动图像质量评估和质量控制，克服了临床数据异质性引起的领域转移问题。该框架从原始解剖 MRI 中提取一组质量指标，并结合随机森林模型预测专家评分。通过对超过 1600 个手动评级的胎儿脑部 T2 加权图像进行验证，显示 FetMRQC 的预测结果泛化到未知数据，并具有可解释性。FetMRQC 是更稳健的胎儿脑神经影像学研究的一步，有潜力对人脑发育产生新的洞察。
fetal brain mrineurosonographyimage quality assessmentmachine-learning frameworkfetal brain neuroimaging
发现论文，激发创造
  • FetMRQC：胎儿脑 MRI 自动质量控制

    本论文提出了一种适用于胎儿脑 MRI 的机器学习框架 FetMRQC，旨在自动评估图像质量，提取多种质量指标用于预测专家评分，并且相较于现有的质量评估指标更具一般化性、可解释性和数据效率，同时释出了一种新型手动质量评估工具。

    Apr, 2023

  • 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

  • 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

  • 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

  • FUSC: 基于深度无监督学习的第二孕期胎儿超声语义聚类

    通过无监督方法将超声图像自动聚类，减少或消除了人工标记的需求，该方法在超过 8.2k 未知图像上实现了超过 92% 的聚类纯度，对胎儿超声成像领域具有重要意义，并为更先进的自动标记解决方案铺平了道路。

    Oct, 2023

  • 提高自由手术 2D 超声视频中的 3D 胎儿脑姿势预测的几何变换不确定性

    我们提出了一种基于不确定性的深度学习模型，用于自动定位二维超声胎儿脑图像在三维脑中的平面位置。该方法通过学习显式预测不确定性，从而提高输入的权重，并在不同几何变换下改善性能。与现有方法相比，我们的方法在平面角度定位准确度上提高了 9%，在采样图像质量的归一化互相关上提高了 8%。此外，我们的方法在资源受限环境下具有更高的效率，参数量比集成方法少 5 倍，同时利用旋转不连续性和输出不确定性提高了对自由扫描噪声的鲁棒性。

    May, 2024

  • 自监督超声到 MRI 胎儿脑部图像合成

    本文提出了一种基于超声图像合成类似磁共振图像的方法，该方法自监督、端到端可训练，并利用交叉模式关注和对抗性学习等技术，成功生成了逼真的胎儿 MRI 图像。

    Aug, 2020

  • 时态不确定性定位用于启用人工分析动态增强心脏磁共振数据集

    本研究介绍了一种使用深度神经网络进行心脏动态对比增强磁共振成像的动态质量控制技术，通过引入一种新的时空不确定性度量指标来可靠地检测失败的分割结果，并通过与人工专家的合作改进分割结果，从而提高 DCE-CMRI 图像的 Dice 系数并减少分割失败的图像数量。该方法为动态 CMRI 数据提供了一种有效的人机协同分析框架，有助于临床解读和报告动态 CMRI 数据。

    Aug, 2023

  • FetalDiffusion：具有条件扩散模型的可控姿态 3D 胎儿核磁共振成像合成

    该研究提出了一种使用条件扩散模型生成可控姿态的三维合成胎儿磁共振成像方法，并采用辅助姿态级损失来增强模型性能。实验证明，该方法生成的高质量合成胎儿磁共振成像能够准确识别胎儿姿态，并与真实胎儿磁共振成像比较具有竞争优势。此外，通过集成合成胎儿磁共振成像，可以提高胎儿姿态估计模型的性能，尤其适用于数据有限的情况下，相对于真实扫描数据，能够提高 15.4％的 PCK 值和减少 50.2％的平均误差。该方法有望更有效地解决胎儿运动问题，从而提高实时追踪模型的性能。

    Mar, 2024

  • 基于仿真伪影的迁移学习方法的临床数据仓库中脑部 T1 加权 MRI 自动质量评估

    使用迁移学习方法，本研究提出了一种创新的方案，通过模拟图像伪影，自动进行临床数据仓库中三维梯度回波 T1 加权脑部 MRI 图像的质量控制，达到了优秀的识别质量差的 MRI 图像的结果，对中等质量的 MRI 图像也取得了令人满意的表现，为充分利用临床数据仓库中的 MRI 图像提供了有价值的工具。

    Jun, 2024