Dec, 2023

基于新颖时空卷积神经网络的定量灌注图

PDF
TL;DR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。
dynamic susceptibility contrast magnetic resonance imagingdsc-mriperfusion parametersdeep learning technologyst-net
发现论文，激发创造
  • 急性缺血性卒中患者 CT 和 CTA 图像生成灌注图的框架：纵向和横向研究

    中风是致残和死亡的主要原因。在有效处理决策中首要是进行早期和信息丰富的血管成像。因此，我们提出了一种从 CT 和 CTA 图像中提取预测灌注图的框架。我们的预测灌注图与 4D-CTP 得到的 T-max 灌注图之间具有显著的空间相似性。通过对 2,110 名患者进行的体素相关性分析，可可靠地将症状与预期的梗塞位置相对应。因此，如果没有 4D 灌注成像，我们的预测灌注图可以作为一种替代方法来研究入院后的前几个小时的血液灌注。

    Apr, 2024

  • 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

    发展了一种基于生物物理学的方法，使用深度学习从动脉自旋标记（ASL）图像中估计灌注 Q。

    Nov, 2023

  • 融合扩散加权磁共振成像和临床数据进行深度对比学习，用于预测急性缺血性卒中后的功能结局

    基于扩散加权磁共振成像结合结构化健康档案的深度融合学习网络预测卒中患者的长期护理需求，在训练集上达到 0.87 的 AUC，0.80 的 F1 得分和 80.45% 的准确率，超过了目前医学领域中整合图像和结构化数据的现有模型，并且扩散加权磁共振成像能够与其他临床变量结合，在预测准确性上达到可比较的水平，从而更好地推广应用。

    Feb, 2024

  • 应用于非对比 CT 中卒中灶分割的同步图像 - 标签扩散概率模型

    本文提出了一种基于扩散概率模型的非对比 CT 扫描中卒中病灶分割方法，该方法完全基于隐变量模型，在噪声预测流的帮助下能够高效地推断出最终标签，经多组数据集验证，证实其达到了最先进的性能。

    Jul, 2023

  • 时空图神经网络建模灌注磁共振成像

    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

  • 通过时空卷积神经网络（ST-CNN）对 4D fMRI 数据进行建模

    使用 ST-CNN 算法对 4D fMRI 数据进行空间 - 时间建模，并自动准确定位功能网络，ST-CNN 通过联合学习空间和时间模式来确保准确识别 Default Mode Network（DMN）。

    May, 2018

  • 利用静息态 fMRI 进行基于深度学习的脑血流动力学映射

    本研究展示了如何使用深度学习技术和静息态功能磁共振成像来映射脑的血流功能及其损伤，这可以帮助早期检测和预防脑血管疾病，检测和评估血管重建效果，以及评估正常衰老的血管变化。

    Apr, 2022

  • TSI-Net：数字减影血管造影中颅内动脉分割的时间序列图像分割网络

    我们提出了一种时间序列图像分割网络 TSI-Net，它采用了一个带有双向 ConvGRU 模块的 U 形结构，能够输入可变长度的 DSA 序列，保留过去和未来信息，并将其分割成 2D 图像。此网络在最近几年的动态支架血管内治疗中的表现显著优于其他方法，尤其是在敏感细节方面的性能提高了 3%。

    Sep, 2023

  • 基于随机专家抽样的非对比度 CT 图像深度学习分割急性缺血性中风

    基于多位专家的深度学习方法，本研究利用非对比 CT 图像自动量化缺血性脑组织。采用随机专家抽样的训练方案，该模型在专家结果、多数投票模型性能和临床结果等方面显示更高的一致性，并能像 CT 灌注图像一样准确地识别非对比 CT 图像中急性缺血性脑组织的存在和位置，从而在非专业医院中进一步确保对患者进行血管内治疗的选择。

    Sep, 2023

  • 数字减影血管造影序列数据集和脑动脉分割的时空模型

    DSA 序列中的脑血管自动分割的研究，通过引入一个专为像素级语义分割设计的公开可访问数据集 DSCA 和一种名为 DSANet 的时空网络方法进行小血管分割，成功改进了诊断脑血管疾病的准确性。

    Jun, 2024