Jan, 2024

强化弥散相关光谱法的血流评估：一种具有噪声稳健性分析的迁移学习方法

PDF
TL;DR用于血流量指数测量的扩散相关光谱技术和机器学习的结合，通过转移学习的方法提高在不同信噪比和临床环境下对血流指数的鲁棒性。
diffuse correlation spectroscopymachine learningblood flow indexsignal-to-noise ratiostransfer learning
发现论文，激发创造
  • 通过极限学习机实现快速脑血流分析

    提出了一种利用扩散相关光谱学（DCS）和极限学习机（ELM）分析脑血流 (cerebral blood flow) 的快速准确分析方法，ELM 在不同噪声水平和光学参数下表现出更高的保真度，相较于迭代拟合算法具有更强大的泛化能力并能够胜过它们，与计算效率高的神经网络进行对比，ELM 在减少训练和推理时间的同时保持了可比较的准确性，ELM 的无反向传播训练过程导致训练速度显著加快，为具备在线训练能力的边缘计算应用提供了希望。

    Jan, 2024

  • 基于新颖时空卷积神经网络的定量灌注图

    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。

    Dec, 2023

  • 推广超分辨率 4D 流动 MRI - 使用集成学习扩展心血管系统

    通过使用异构训练集和专用集成学习，我们研究了 SR 4D Flow MRI 的泛化能力，结果表明，集成学习方法增强了跨领域的超分辨率性能，从而能够准确地预测高分辨率速度并从临床输入数据中生成去噪 SR 图像。

    Nov, 2023

  • 环境反漏信号检测的深度迁移学习

    本文提出了一种基于深度迁移学习 (CNN) 和最小误差概率标准 (MEP) 的 DTL 检测框架，旨在消除通道估计需求以提高 AmBC 系统的性能，结果表明该方法的误码率性能可与完美 CSI 的最优检测方法相媲美。

    Sep, 2020

  • 在数据贫乏情况下重构血流：用高斯过程回归的血管网络内核

    基于物理知识的内核，使用高斯过程回归在数据贫乏情况下实现了接近实时的血流重建，针对缺乏直接测量数据的血管，构建了内核以编码时空和血管之间的相关性，同时满足质量守恒原则，并通过三个测试案例验证了模型的性能。

    Mar, 2024

  • 一种使用协方差矩阵分析的深度学习方法用于 ISBI 编辑后的 MRS 重建挑战

    该研究提出了一种利用机器学习模型加速获取高质量的磁共振波谱（MRS）扫描的方法，该方法不受瞬态数的影响，并且对合成和体内情况下的噪声输入数据具有鲁棒性。

    Jun, 2023

  • DiffGAN-F2S：基于脑 fMRI 的结构连接预测的对称高效去噪扩散生成对抗网络

    一种名为 DiffGAN-F2S 的模型被提出，通过脑 fMRI 预测脑的结构连接，并在公开的 ADNI 数据集上展现出优越的性能，能够识别重要的脑区和连接，提供了一种多模态脑网络融合和临床疾病分析的替代方案。

    Sep, 2023

  • 一种高度相关注释的拉曼光谱数据增强方案

    通过添加数据点并利用峰面积特性，使用卷积神经网络提高了在 Raman 光谱中监测底物、生物量和 PHA 生物聚合物浓度的能力。

    Feb, 2024

  • 基于物理信息学的时间分辨血管造影荧光剂浓度重建

    通过训练基于神经网络的模型，并结合血液流动模拟数据集，我们的方法可以重建血管内对比剂在时间和空间上的浓度变化，具有很高的准确性和鲁棒性。

    Mar, 2024

  • 用于扩散张量心脏 MRI 重建的随机深度压缩感知

    本文介绍了一种新的基于卷积神经网络的压缩感知技术，可以用于改善手段单一、等待时间长的 DT-CMR 采集方式的缺陷，从而更加准确地了解心脏的微观结构和组织，并为心脏疾病的治疗提供新的途径。

    May, 2018