利用生物物理模拟和深度学习进行多延时动脉自旋标记灌注估计
提出了一种考虑时空信息的灌注参数估计网络 (ST-Net),该网络结合了设计的物理损失函数,能够准确估计灌注参数,包括脑血容量、脑血流和残差函数的最大时间。
Dec, 2023
在心脏磁共振成像(MRI)分析中,提出了一种名为 SQNet 的双任务网络,集成了 Transformer 和卷积神经网络(CNN),能够同时完成心肌分割和 T2 定量分析,提高了诊断准确性。
May, 2024
本文提出了一种基于深度学习的 IR2QSM 方法,通过四次迭代的反向连接和中间循环模块增强 U-net 的设计,极大地改善了潜在特征利用效率,实验结果显示,IR2QSM 相比其他方法能够更准确地获取 QSM 图像,并减轻了伪影问题。
Jun, 2024
本文提出了一个新的半监督框架,通过使用稀疏标记的 MLS 切片和扩散模型对大量未标记的 MLS 数据和 2793 个非 MLS 案例进行表征学习和正则化,准确测量头部 CT 扫描中 MLS 的规模,从而实现了对临床脑出血数据集的最新成果性能的实验,并能够生成可解释的形变场。
Jan, 2023
本研究开发了一种基于物理知识的深度学习方法来合成多种脑部磁共振成像(MRI)对比度,从而加速神经影像处理,并研究了该方法的泛化能力,该方法能够将五分钟的扫描数据合成为四种标准对比度,并且具有良好的泛化性能适用于加速神经影像处理的协议。
May, 2023
这项研究首次尝试使用基于 GNN 的时空模型 PerfGAT 来建模 4D pMRI,通过整合空间信息和时间动力学预测脑胶质瘤患者的异柠檬酸脱氢酶(IDH)基因突变状态,实验结果表明该方法优于其他现有方法,有效地为患者特征建模。
Jun, 2024
通过模板训练方法,使用一种人口平均脑 MRI 模板和相关分割标签,从头开始训练 3D U-Net 模型,在视觉感知增强和减轻过拟合的基础上,实现对鼠、大鼠、印度狨猴、恒河猴和人类脑 MRI 进行头骨去除、脑分割和组织概率映射等分割任务的训练,有效解决数据有限的问题,扩展深度学习在图像分析中的应用,为研究人员提供了仅需一张图像样本即可训练深度神经网络的统一解决方案。
Aug, 2023
本文综述了基于深度学习的方法如何在去除磁共振图像相位测量数据中的杂散场的过程中,从中提取生物组织属性,阐述了现有技术和未来发展的方向。
Dec, 2019
本文提出了一种基于物理驱动 CycleGAN 方法的非配对深度学习方法,用于在不需要单独进行动脉输入函数(AIF)测量的情况下,估计药代动力学参数和 AIF,实验结果表明该方法可以生成比其他技术更可靠的药代动力学参数。
Jun, 2023