Dec, 2023

新生儿和婴儿脑白质纤维估计中的跨年龄和跨场地域偏移影响

PDF
TL;DR利用深度学习模型从有限扩散磁共振成像数据中估计组织微结构已取得很好的效果，但是在测试和训练数据来自不同扫描仪、协议，或者应用于具有固有变化的婴儿和儿童不断发展的大脑时，这些模型面临着领域转移挑战。我们在 201 名新生儿和 165 名婴儿的两个不同群体之间广泛研究了年龄效应和领域转移，使用矩方法和微调策略。我们的结果显示，与新生儿相比，婴儿的微结构发展变化较小，直接影响深度学习模型的跨年龄表现。我们还证明，少量目标域样本可以显著减轻领域转移问题。
发现论文，激发创造
  • 用残差学习从白质扩散度预测年龄

    利用微结构特征和非宏观结构特征，开发基于白质特定的年龄估计方法，成功捕捉异常的白质年龄化现象。

    Nov, 2023

  • 利用合成数据改进胎儿 MRI 中的跨领域脑组织分割

    FetalSynthSeg 是一种基于 SynthSeg 的领域随机化方法，用于通过磁共振成像（MRI）对胎儿脑进行分割，研究结果表明，在跨领域数据验证中，仅使用合成数据训练的模型表现优于仅使用真实数据训练的模型，并且在不同磁场强度和超分辨率算法下具有鲁棒性。

    Mar, 2024

  • 深度学习在组织病理学中的领域转移研究

    该论文研究了卷积神经网络在组织病理学中用于肿瘤分类的应用，分析了数据增强和归一化对模型性能和表示学习的影响，提出了衡量模型领域差异距离的新方法，结果表明训练数据的准备对学习结果有很大影响。

    Sep, 2019

  • 应用注意力机制的深度学习模型预测胎儿脑部孕周

    利用基于注意力机制的深度学习模型结合多视图 MRI 图像，可以精确预测胎儿的孕周，在收集了 125~273 天多年龄段的胎儿脑 MRI 数据集的基础上，R2 值达到了 0.94。

    Dec, 2018

  • 基于数据增强的医学成像领域无监督域适应

    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

  • MRI 领域自适应的迁移学习：应用于脑部病变分割

    本研究探讨了如何将一个训练于遗留数据集上的深度卷积神经网络成功适应于新数据集，结果表明，只需用两个新样本对模型进行微调即可较好地适应。

    Feb, 2017

  • 3D 掩蔽自编码和伪标注用于异质婴儿脑 MRI 领域自适应分割

    本文介绍了一种名为 MAPSeg 的新颖框架，它利用 3D 遮掩自动编码和遮掩伪标签来跨越年龄、模态和场所进行婴儿大脑 MRI 次皮质区域的分割，该模型能够从标记源域数据和未标记目标域数据中进行联合学习。MAPSeg 在不同年龄、模态或获取场所的分割皮层区域任务中，始终优于其他方法。

    Mar, 2023

  • 从噪音注释中学习分割胎儿脑组织

    本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

    Mar, 2022

  • 基于梯度图引导的自适应领域泛化用于跨模态 MRI 分割

    跨模态 MRI 分割是很有价值的计算机辅助医学诊断方法，但现有方法难以处理领域变化的局部差异，并且通常需要大量数据进行训练，这限制了其实际应用。为解决这些问题，我们提出了一种新颖的自适应领域泛化框架，它将基于图像梯度图的无学习跨领域表示与基于类先验的测试时适应策略相结合，以减轻局部领域变化。我们在两个多模态 MRI 数据集上验证了我们的方法，并进行了六个跨模态分割任务。在所有任务设置中，我们的方法始终优于竞争方法，并且在有限的训练数据下表现稳定。

    Nov, 2023

  • 基于无监督域自适应的用于创伤性脑损伤检测的更准确、更具普适性的脑变形估计器

    本文提出了一种将无监督域适应与深度神经网络整合的脑变形估计器，用于预测整个脑部的最大主应变和应变率。该模型通过 DRCA 方法明显优于其他域适应方法，可以准确估计脑变形并检测创伤性脑损伤。

    Jun, 2023