Jan, 2024

利用融合策略和深度学习实现人体胎盘的自动三维多模态超声分割

PDF
TL;DR提出了一种利用深度学习和多种融合策略自动进行三维多模式（B 模式和功率多普勒）超声分割的人类胎盘分割方法，发现多模式信息以 B 模式和功率多普勒扫描的形式优于任何单一模式，且数据级别的融合提供了最佳结果，均值 Dice 相似系数（DSC）为 0.849。
发现论文，激发创造
  • FUSC: 基于深度无监督学习的第二孕期胎儿超声语义聚类

    通过无监督方法将超声图像自动聚类，减少或消除了人工标记的需求，该方法在超过 8.2k 未知图像上实现了超过 92% 的聚类纯度，对胎儿超声成像领域具有重要意义，并为更先进的自动标记解决方案铺平了道路。

    Oct, 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

  • PlaNet-S：胎盘的自动语义分割

    开发了一个全自动的语义胎盘分割模型，通过集成学习将 U-Net 和 SegNeXt 架构融合在一起。该模型在胎盘分割任务中比传统的 U-Net 表现更好，解决了耗时的人工分割问题，具有广泛的胎盘成像分析应用潜力。

    Dec, 2023

  • 基于 BOLD Fetal MRI 时间序列的胎盘形状感知分割

    通过机器学习分割方法，本文对胎盘 BOLD MRI 进行准确的分割，并在多种目标函数上进行全面评估。研究结果表明，边界加权可以提高胎盘分割性能。

    Dec, 2023

  • UPI-Net：胎盘超声中的语义轮廓检测

    本研究将胎盘图像分析中的子宫 - 胎盘界面检测问题视为语义轮廓检测问题，提出了一种名为 UPI-Net 的方法来捕获胎盘几何中的长距离依赖关系以降低误检概率。实验证明 UPI-Net 比其他竞争对手具有更高的轮廓检测性能，而且不需要增加过多运算量。

    Aug, 2019

  • 深度学习实现胎儿 MRI 中胎儿脑自动提取

    本论文旨在研发一种基于 2D U-net 和 autocontext 的深度卷积神经网络，用于实时分割胎儿 MRI 切片中的胎儿大脑，并将其与其他两种方法进行比较，在正常和具有挑战性的测试集中取得了优异的性能表现。

    Oct, 2017

  • 实现逼真的超声胎儿脑成像合成

    本文利用 GAN 技术生成 256x256 胎儿超声横颞脑平面图像，结果表明 GAN 技术可以生成逼真的高分辨率超声图像，为将来合成其他胎儿脑平面、解剖结构和设备的工作奠定了基础。

    Apr, 2023

  • 胎儿 EPI MRI 时间序列中的一致性规范提高胎盘分割

    该研究提出了一种有效的半监督学习方法，通过一致性正则化损失函数，改善了胎儿 EPI MRI 时间序列中胎盘分割的准确性，进而提高了预测的时间一致性，从而对胎盘生物标志物的精确计算有所帮助。

    Oct, 2023

  • 通过投影网络对具有异构维度的数据进行深度多模态融合

    本研究提出了一种新颖的基于深度学习的多模态数据融合框架，具有异构维度（例如 3D+2D）的兼容定位任务的能力，并在地理萎缩和视网膜血管分割任务上取得了优于现有单模态方法的结果。

    Feb, 2024

  • FetusMapV2：增强型 3D 超声胎儿姿势估计

    本研究提出了一种名为 FetusMapV2 的新型三维胎儿姿势估计框架，通过探索互补网络结构、限制 GPU 内存等方法来克服三维胎儿姿势估计的挑战，设计了一种新的损失函数来解决对称和相似解剖结构造成的混淆问题，并提出基于形状先验的自监督学习以在线优化姿势。在大规模胎儿超声数据集上进行的大量实验证明，我们的方法优于其他竞争对手。

    Oct, 2023