Feb, 2024

超高场表示的转移用于低场磁共振成像引导的脑分割

PDF
TL;DR通过深度学习框架将低场磁共振特征与推断得到的 7T 类似特征融合，实现在无 7T 磁共振条件下对脑图像进行分割任务，提高了分割质量和适应性。
ultrahigh-field mrideep-learning frameworkbrain image segmentationlf magnetic resonance feature representations7t-like feature representations
发现论文，激发创造
  • 图像质量转换增强非洲儿童癫痫低场脑 MRI 对比度和分辨率

    该研究使用 Image Quality Transfer 技术改善 0.36T 结构磁共振影像的分辨率，空间涵盖率和对比度，以提高低场 MRI 在癫痫管理中的临床实用性。

    Mar, 2020

  • 从 3T 采集合成 7T MRI

    用监督深度学习技术可以从 3T MRI 输入生成合成的 7T MRI。本文介绍了多种基于自定义变体的 V-Net 卷积神经网络的 7T 合成算法。我们证明基于 V-Net 模型在增强单点和多点 MRI 数据集方面的性能优于现有基准模型。我们的模型在训练了 8 个轻微创伤性脑损伤（TBI）患者的 3T-7T MRI 对后，在合成 7T 方面实现了最先进的性能。与以前的研究相比，我们的管道生成的合成 7T 图像还显示了对病理组织的优越增强效果。此外，我们还实施和测试了一种对输入分布变化具有鲁棒性的模型训练数据增强方案。这使合成的 7T 模型能够适应多中心数据集中的扫描仪内部和跨扫描仪的变异性。在包括健康受试者和轻微 TBI 患者的两个机构的 18 对 3T-7T MRI 数据集上，我们的模型保持其性能，并能在分辨率较低的 3T MRI 输入上泛化。我们的发现证明了基于 V-Net 模型在 MRI 增强方面的潜力，并为增强合成 7T 模型的泛化能力进行了初步探索。

    Mar, 2024

  • wmh_seg: 转换器基于的 U-Net 用于 1.5T、3T 和 7T 的鲁棒和自动化的白质高信号区分割

    使用 wmh_seg 这一基于转换器编码器的深度学习模型，该模型在不同磁场强度、扫描仪制造商和常见磁共振成像伪影的条件下，稳定地实现了 7T 患者的白质病变分割。

    Feb, 2024

  • 基于随机图像质量转移的低场磁共振图像增强

    本研究提出了一种名为影像质量转移（IQT）的方法，通过建立低场成像与高场成像之间的关联来增强低场结构性 MRI 图像的对比度和分辨率。结果表明，IQT 增强的图像有望提高低资源环境下低场 MRI 的诊断效果。

    Apr, 2023

  • 基于得分的元学习增强的生成模型：从 0.5T MRI 重建 1.5T 样式图像

    本研究提出了一种基于 meta-learning 的方法，通过使用 teacher-student 机制学习低场磁共振成像到高场磁共振成像的映射，解决了直接学习由低场到高场映射的方法的局限，通过实验证明，该方法在重建高场磁共振成像方面优于现有的技术。

    May, 2023

  • 3D 脑部瘤分割的 3D 融合 Transformer

    该研究提出了一种基于 3D Transformer 的分割方法，采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征，通过在公共数据集中对脑肿瘤的分割实验验证，证明其优于其他目前最先进的方法。

    Apr, 2023

  • 应用混合融合变压器处理多序列 MRI

    通过利用多序列 MRI 图像进行医学分割，使用混合融合 Transformer 方法来提高脑肿瘤分割的效果。

    Nov, 2023

  • 基于 3T fMRI 数据和无监督学习的视网膜视觉图像重建

    通过无监督生成对抗网络 (GAN) 结合 7T 和 3T 两个不同的 fMRI 数据集，本文提出了一种新的框架来生成改进的 3T fMRI 数据，克服高质量 7-Tesla 数据的稀缺性和 3-Tesla 实验中简短和低质量扫描的挑战，证明了该方法在生成优质输入视觉图像方面相对于在单个主题上进行训练和测试的数据密集型方法的能力。

    Apr, 2024

  • UltraCortex：亚毫米级超高场 9.4 T1 脑 MR 图像采集与手动大脑皮层分割

    这篇研究论文介绍了一个新的资源，即 UltraCortex 数据库，其中包含了经过专家验证的高品质脑成像数据和分割，对于神经影像研究和推动我们对脑结构和功能的理解具有重要意义。

    Jun, 2024

  • 对超高场功能磁共振成像的分辨率和刺激不可知超分辨率技术的应用：以视觉研究为例

    这项研究介绍了一种基于深度学习的三维超分辨率 (fMRI) 方法，通过采用一个分辨率无关的图像增强框架，使我们的方法能适应不同的体素尺寸而无需重新训练。我们应用了这一创新技术来定位早期视觉区域中细粒度的运动选择性区域，并且证明这种方法潜在地能增强 fMRI 的空间分辨率，并大幅降低采集时间。

    Nov, 2023