Jan, 2024

胎儿脑部动态矫正的文献综述

PDF
TL;DR该论文提供了对 MRI 中胎儿运动校正的最新进展的全面回顾，涵盖了各种解决这些挑战的现代方法和技术进步，包括传统的 3D 胎儿 MRI 校正方法（如切片到体积注册），基于深度学习的技术（如卷积神经网络，长短期记忆网络，变形器，生成对抗网络）和最新的扩散模型。通过这次文献综述得出的见解反映出对胎儿 MRI 研究中技术细节和实际影响的深入了解，为该领域的潜在解决方案和未来改进提供了合理的观点。
fetal motion correctionmrislice to volume registrationdeep learningdiffusion models
发现论文，激发创造
  • MRI 中回顾性运动校正的深度学习：综述

    本文综述了深度学习在核磁共振成像中运动校正方面的研究现状，讨论了不同方法及其面临的挑战和潜力，并探讨了未来方向以促进不同应用领域和研究领域之间的互动。

    May, 2023

  • FetalDiffusion：具有条件扩散模型的可控姿态 3D 胎儿核磁共振成像合成

    该研究提出了一种使用条件扩散模型生成可控姿态的三维合成胎儿磁共振成像方法，并采用辅助姿态级损失来增强模型性能。实验证明，该方法生成的高质量合成胎儿磁共振成像能够准确识别胎儿姿态，并与真实胎儿磁共振成像比较具有竞争优势。此外，通过集成合成胎儿磁共振成像，可以提高胎儿姿态估计模型的性能，尤其适用于数据有限的情况下，相对于真实扫描数据，能够提高 15.4％的 PCK 值和减少 50.2％的平均误差。该方法有望更有效地解决胎儿运动问题，从而提高实时追踪模型的性能。

    Mar, 2024

  • 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

  • 胎儿大脑的解剖学束追踪

    提出了一种基于胎儿脑组织精确分割的解剖约束轨迹追踪方法，通过深度学习自动计算出精确的分割， 从而显著提高扩散张量成像的准确性和可重现性。

    Mar, 2024

  • Fetal-BET: 胎儿 MRI 脑部图像提取工具

    使用大规模注释数据集，结合 U-Net 风格结构、注意力机制、多对比度特征学习和数据增强，开发验证了准确、高效、具有普适性的自动胎儿脑提取深度学习方法。

    Oct, 2023

  • 人工智能在胎儿静息状态功能性磁共振成像脑分割中的比较分析：3D UNet、VNet 和 HighRes-Net 模型

    该研究介绍了一种新的人工智能应用于胎儿脑功能磁共振成像 (fMRI) 的大脑分割自动化方法，并对不同 AI 模型在胎儿 fMRI 大脑分割中的性能进行了评估和分析。

    Nov, 2023

  • 用于功能磁共振成像的鲁棒刚性切片到体积配准的自注意力模型

    通过引入自我关注机制，本研究提出了一种用于将 2D 功能磁共振成像切片与 3D 参考体积对齐的端到端切片级运动校正模型，以增强其对输入数据变化和不确定性的鲁棒性，并实现实时头部运动跟踪。

    Apr, 2024

  • 基于辐射扩散生成模型的自监督胎儿 MRI 三维重建

    提出了一种基于 Radiation Diffusion Generation Model (RDGM) 的新型胎儿脑 MRI 高质量体重建方法，该方法利用 Neural Radiation Field (NeRF) 和超分辨率生成的扩散模型，使用预训练的 transformer 模型进行切片配准，进一步增强了体积的全局一致性和区分能力，实验结果表明该方法在真实世界胎儿脑 MRI 堆栈上表现出最先进的性能。

    Oct, 2023

  • 学习超声平面姿态回归：评估胎儿大脑中广义姿态坐标

    本研究旨在开发一种超声定位系统，以通过卷积神经网络回归网络预测胎儿脑部任意定向的超声截面图像在参考标准框架下的六维姿态，同时分析评估该参考框架对标准平面获取的准确性，并探究注册质量和数据扩充等因素对训练和测试结果的影响，最终使本系统的平均翻译误差和旋转误差分别达到 3.53 毫米和 6.42 度。

    Jan, 2023

  • 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