基于深度神经网络的心肌Z轴分割
本文提出了一种基于潜在空间因式分解原则的方法论,以分离与心肌相关的信息和与成像相关的特征,以及其它周围次级结构特征。在半监督学习中应用该方法,结果表明,相对于完全监督网络,我们的模型在使用少量的标注图像进行训练时,具有相当的表现。
Mar, 2018
本研究旨在开发一种自动计数血管壁动脉粥样硬化斑块细胞的方法,并使用弱监督学习方法训练HoVer-Net模型来检测荧光图像中的细胞核,并使用熵最小化损失函数来提高该模型在周围未标记区域的预测置信度。
Jul, 2022
本研究旨在解决自动化识别 ex vivo MRI 中人类大脑皮质和亚皮质结构、白质异常的问题,我们设计了一个基于深度学习的模型,基于高分辨率数据进行训练和测试,并结合脑病理学的定量评估,通过测量体积和局部皮层厚度来诊断和研究各种脑部疾病。
Mar, 2023
通过训练机器学习模型,本研究提供了一套高质量的生物成像数据集,其中包含了来自健康对照组和患有遗传性肌肉病的患者的46个组织切片图像。这些图像包括超过5万个手动分割的肌肉纤维,并且经过了精细的标注和筛选,为进一步的分析提供了完全可用的数据,为自动化管道的开发奠定了基础。
Nov, 2023
通过训练机器学习模型,在医学领域中发布高质量生物成像数据集NCL-SM,其中包含人体骨骼肌组织横截面的图像和手动分割的肌纤维,为自动化、准确和可重复的肌纤维分割奠定了基础。
Nov, 2023
使用AutoQC图像分析工具,我们开发了一种自动识别和分割心肌细胞与毛细血管的方法,并通过对胶原IV型的免疫荧光图像进行测量,提供了一种自动化的心肌毛细血管定量分析解决方案。
Nov, 2023
利用深度学习技术,通过细胞图像和细胞特征,自动评估人工诱导多能干细胞心肌细胞的肌节结构,以提高心脏疾病病理学的理解、改善药物筛选和推进再生医学的发展。
May, 2024
我们提出了一个使用卷积神经网络对鲫鱼心脏进行自动分割的新框架,该框架可以推断出样本的三维分割,从而避免了三维卷积神经网络的高计算成本,并且可以显著减少新样本分割所需的时间,实现对高分辨率鲫鱼心脏形状的快速微增强分析。
Jun, 2024
本研究针对心血管疾病相关医疗成像数据的精确分割问题,提出了RotCAtt-TransUNet++新架构,以克服现有方法在捕捉切片间连接和切片内细节方面的限制。通过多尺度特征聚合和旋转注意力机制,本方法提高了心脏结构的分割准确性,实验结果显示在冠状动脉和心肌的注释中达到了近乎完美的效果。
Sep, 2024