Nov, 2023

增强肿瘤分割的术前和术后对比乳腺磁共振成像合成

PDF
TL;DR利用生成对抗网络 (GAN) 将原始的 T1 加权饱和脂肪胸部 MRI 图像转化为相应的首次动态对比增强 MRI 序列，生成合成对比增强图像，并通过定量图像质量度量来评估生成的数据质量，将其应用于三维乳腺肿瘤分割，结果表明通过数据增强方式合成后的动态对比增强 MRI 图像在增强乳腺肿瘤分割模型的稳健性方面具有潜力，代码链接见摘要。
contrast agentsdynamic contrast-enhanced mrisynthetic contrast enhancementsgenerative adversarial networkbreast tumour segmentation
发现论文，激发创造
  • 使用多 b 值 DWI 为基础的分层融合网络与关注机制综合合成增强对比度的乳腺磁共振影像

    本研究开发了一种多序列融合网络，基于 T1 加权 MRI 和 DWI 合成对比增强 MRI，可以潜在地用于合成 CE-MRI，从而在理论上减少使用 GBCA，降低对患者的负担。

    Jul, 2023

  • 基于多阶段注意力生成对抗网络的高组织对比度 MRI 合成，用于胶质瘤分割

    采用 CycleGAN 并引入注意力机制和多级结构生成高组织对比度 MRI 图像，来增强 MRI 组织分割。实验结果表明，该方法在肿瘤边界分割上取得了可观的提升。

    Jun, 2020

  • 评估序列组合对多参数磁共振成像乳腺肿瘤分割的影响

    使用 nnU-Net 模型，研究探讨不同序列的 mpMRI 在乳腺肿瘤分割中的影响，并通过在多中心 mpMRI 数据集上的评估，证明了使用动态对比增强 MRI 序列可以获得较高的功能性肿瘤体积分割 Dice 相似系数和整个肿瘤掩膜分割改善。然而，添加 T2w 序列对结果影响不显著，需要进一步研究。该研究为未来的乳腺癌治疗反应预测提供基础。

    Jun, 2024

  • 对比增强光谱乳腺摄影的虚拟对比增强的深度学习方法

    使用深度生成模型进行增强对比度的研究，旨在减少乳腺 X 光造影的副作用和辐射剂量，通过生成深度网络生成合成的显影图像，研究结果显示 CycleGAN 是最有潜力的深度网络，突出了人工智能在该领域进行虚拟对比度增强的潜力。

    Aug, 2023

  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • 基于条件生成式对抗网络的多对比度磁共振成像合成

    本文提出了一种基于条件生成对抗网络的多对比度 MRI 综合新方法，该方法通过对抗损失保留高频细节，通过对注册多对比磁共振图像的逐像素损失和对非注册图像的循环一致性损失提供增强的合成性能，利用邻近切片的信息进一步提高合成品质，实验证明其优于以前最先进的方法，可以提高多对比度 MRI 检查的质量和多样性，无需需要长时间的检查。

    Feb, 2018

  • 基于多条件潜在扩散模型的对比动力学学习

    通过多条件潜在扩散模型实现了动态对比增强磁共振成像的时间序列图像合成，提出了基于 Frechet 放射学距离的医学图像质量评估方法，并展示了深度学习在对比动力学模拟中的潜力。

    Mar, 2024

  • 单一图像处理算法能否在动态增强磁共振成像的所有相位中同样有效？

    本文旨在探讨采用不同对比度增强数据比例对 MRI 动态增强序列的图像分割和配准任务所产生的影响，发现通过预训练对比度增强数据和微调非对比度增强数据可得到更具有通用性的模型。

    Jun, 2023

  • 物理学知识卷积神经网络生成具有通用性的合成磁共振图像

    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

  • 合成脑图像：用生成对抗模型弥合脑部映射中的差距

    使用深度卷积生成对抗网络（DCGAN）合成高保真和逼真的 MRI 图像切片，为医学影像研究提供深度学习技术的应用。

    Apr, 2024