Dec, 2023

MR-Linac 上基于循环一致性生成对抗网络的合成 CT 用于 MR-only 自适应放射治疗

PDF
TL;DR通过深度学习生成的人工合成 CT 图像可用于 MR 引导下的自适应放射治疗中的剂量计算和优化，提高治疗计划的模拟和自适应规划效率。
deep learningsynthetic ctmr-guided adaptive radiation therapycycle-gandosimetric evaluation
发现论文，激发创造
  • 探索基于深度学习的脑 MRI 到 CT 合成中的对比度泛化

    研究领域：通过深度学习及领域随机化技术生成高质量头部合成计算机断层扫描图像，提高医疗影像辅助治疗的精度。

    Mar, 2023

  • 多通道循环生成对抗网络在 CBCT 到 CT 的合成中的应用

    用于改善图像质量并实现精确剂量计算的图像合成技术，通过多通道输入强调特定图像特征，有效应对 CBCT 成像中的挑战，并引入辅助融合网络以进一步提高生成 sCT 图像的保真度。

    Dec, 2023

  • 使用非配对数据进行深度 MR 到 CT 的合成

    本文提出了一种使用生成对抗网络（GAN）实现未配对 MR 和 CT 图像的合成的方法，可以利用其进行放射治疗等方面的治疗规划。经过定量评估，该模型能够合成接近参考 CT 图像的 CT 图像，并且能够超过使用配对 MR 和 CT 图像训练的 GAN 模型。

    Aug, 2017

  • 基于 3D 变压器去噪扩散模型的合成磁共振成像计算机断层成像

    使用具有转换器的漫反射概率模型（MC-DDPM）将磁共振成像（MRI）转换为高质量的合成计算机断层扫描（sCT），以便于放射治疗计划，并通过消除 CT 模拟和具有误差的图像配准，从而减少患者的辐射剂量和设置不确定性。

    May, 2023

  • SdCT-GAN：使用自主驱动生成对抗网络由双平面 X 射线重建 CT

    本文提出了一种新的自主驱动生成对抗网络模型（SdCT-GAN），通过引入鉴别器中的新型自动编码器结构，以及结合来自 2D X 射线图像的边缘信息的 Sobel 梯度引导器（SGG）思想，能够更好地保留细节并使用 LPIPS 评估度量量化评估重构图像的轮廓和纹理，实验证明了该模型相对于主流最先进基准模型的优势。

    Sep, 2023

  • 利用具有特征提取的 CycleGAN 从 CT 扫描生成增强的合成 MRI 图像

    本研究介绍了一种利用合成 MRI 图像进行增强的单模态配准的方法，通过利用 CycleGANs 和特征提取器从 CT 扫描中生成这些合成 MRI 图像，该方法在多个比较度量标准上表现出优秀的结果，验证了其有效性。

    Oct, 2023

  • 具有上下文感知的生成对抗网络医学图像合成

    本文提出了一种数据驱动的全卷积神经网络，利用对抗训练和图像梯度差异损失函数来更好地建模 MRI 到 CT 的非线性关系，进而生成与之对应的 CT 图像，实验证明其准确性和稳健性，并且表现优于已有的三种方法。

    Dec, 2016

  • 一种基于注意力机制的医学影像生成模型

    提出了一种基于注意力机制的双对比度生成模型 ADC-cycleGAN，其中加入了双对比度损失项和 $K$ 均值算法，用于多层次医学图像的合成，实验结果表明该模型具有较高的 PSNR 和 SSIM 值。

    Jun, 2023

  • SkullGAN: 使用生成对抗网络合成颅骨 CT 图像

    通过使用 SkullGAN，我们可以生成大量合成的头骨 CT 切片，以训练涉及人类颅骨的神经网络，从而克服了准备大型高质量训练数据集所面临的挑战。

    Aug, 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