本研究利用 3117 个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像,通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力,进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现,更广泛的训练图像可以提高模型的泛化能力,并且未来的深度学习研究需要在多个外部队列上进行评估,以得到可靠的结果。
Nov, 2019
本研究针对医学图像重建问题,提出了一种数据增强(DA)的方法 MRAugment,通过多项实验证明,在训练数据较少的情况下,MRAugment 能有效地防止过拟合并达到甚至超过目前最新技术水平;而在大量训练数据下,MRAugment 的效果则有所降低。此外,研究结果还表明,DA 方法能提高模型对于测试数据偏移的鲁棒性。
Jun, 2021
深度学习在磁共振成像重建中的应用及其对临床成像实践的潜力进行了全面综述,重点包括改善图像质量、加速扫描、处理数据相关挑战的深度学习方法和架构,以及优化采集协议、增强对分布变化的鲁棒性和克服潜在偏差等方面的讨论。
Apr, 2024
对比深度神经网络和传统的稀疏方法,本文分析了图像重建的鲁棒性,并发现深度神经网络方法比传统方法在保持稳健性的前提下,提供更高的重建质量。
Feb, 2021
本文研究了使用多种几何和自然的模拟幻影结构对深度神经网络训练数据多样性的影响,并证明在使用同时包含几何和自然组织模型的数据集来训练网络时,可以提高模型在模拟和实测数据中预测声速的稳定性。
Feb, 2022
基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制,往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法,通过利用 MRI 特定的增强技术,在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估,并与目前最先进的方法进行比较。结果表明,我们提出的方法在各种任务中均具有高准确性、广泛适用性,并且对于不同领域的转移表现出非凡的鲁棒性,超过了大部分情况下的最先进性能。
Aug, 2023
通过使用一种名为 PISF 的物理学知识驱动的合成数据学习框架,我们展示了在多种快速 MRI 重建场景中,训练深度学习模型可以实现与实际数据匹配的可比甚至更好的成果,并将对真实 MRI 数据的需求降低了高达 96%。
Jul, 2023
介绍了 fastMRI 数据集,旨在帮助人们通过提供一个自由获取的数据集和标准评估标准来加速通过机器学习方法进行 MR 图像重建的技术进步。
Nov, 2018
使用元学习方法在多个 MRI 图像数据集上高效学习图像特征,并同时重建多种成像序列的高度欠采样 k 空间数据。
Mar, 2024
通过对深度学习重建的质量进行评估,本研究旨在评估前瞻性加速的术中磁共振成像(iMRI)在切除性脑肿瘤手术中的质量。
Jan, 2024