Feb, 2024

监测病变增长的纵向脊柱 CT 图像配准

PDF
TL;DR实现自动且鲁棒的纵向脊柱图像配准对于评估疾病进展和手术结果至关重要，本文提出了一种新颖的方法，通过深度学习模型自动定位、标记和生成三维表面，然后使用高斯混合模型表面配准实现纵向脊柱 CT 图像对齐并准确评估病变进展，实验证明该方法在 37 个椎体、5 名患者的基线和 3、6、12 个月后的随访图像上显示出了平均 Hausdorff 距离为 0.65 毫米和 Dice 分数为 0.92 的准确配准。
发现论文，激发创造
  • 基于深度学习的组间配准用于胶质瘤纵向 MRI 分析

    本研究提出了一种纵向、基于学习的、集群式的 MRI 图像配准方法，可以在不到一分钟的时间内完成高质量的配准，提供了一种替代传统工具箱的新途径，以更准确地量化并了解神经胶质瘤的生长。

    Jun, 2023

  • 使用深度图像到图像网络，结合信息传递和稀疏正则化方法，在大规模三维 CT 中自动标记椎骨

    本研究提出一种自动定位和标记三维医学图像中椎体中心的算法，使用 DI2IN 进行初始化，使用基于消息传递方案的聚类方法和稀疏性约束进行迭代演进，最终使用稀疏性正则化进行结果优化。该算法在多个病理学数据集上表现出良好的性能。

    May, 2017

  • 深度病变跟踪器：监测 4D 纵向成像研究中的病变

    本研究提出了基于深度学习的深度损伤跟踪器（DLT），该方法解决了长期研究中监测治疗反应的核心问题，即如何准确地对大量数据进行图像识别和解剖学研究，同时提高检测的速度和精度，该方法已在公共 DeepLesion 数据库上进行了测试和验证，并成功应用于肿瘤监测工作流程中。

    Dec, 2020

  • 脊柱手术无标记外科导航的连续姿态跟踪自动注册

    本文提出了一种无辐射方法的自动注册方案，使用深度神经网络自动解决腰椎融合手术的注册问题，并结合增强现实导航系统提供直观的手术引导。在公开数据集上验证了注册方法并获得较高的注册成功率和精度，在离体手术中也取得了良好的结果，展现了 RGB-D 数据在自动注册方法和增强现实引导中的潜力。

    Aug, 2023

  • SpineCLUE：使用对比学习和不确定性估计的自动椎骨识别

    提出了一种三阶段的方法来解决椎骨水平的 3D CT 椎骨识别中的挑战，通过顺序执行椎骨定位、分割和识别的任务，有效利用椎骨的解剖先验信息，并采用监督对比学习方法进行预训练来解决类间相似性和类内变异性问题，并进一步优化识别结果。

    Jan, 2024

  • CT 图像中的多角度椎骨定位与识别

    本文提出了一种多视角 CT 图像下的脊椎定位和识别方法，将三维问题转化为不同视图上的二维定位和识别任务，通过多视角对比学习和序列损失，能够准确地在 CT 图像中定位和识别脊椎，且超过了现有方法的表现。

    Jul, 2023

  • 基于骨架图的超声 - CT 非刚性配准

    通过基于骨骼图的非刚性配准方法，利用皮下骨表面特征代替皮肤表面实现自动化超声波（US）扫描，为解决常规 US 检查中的人为误差提供了可能，验证结果表明其能有效适应不同患者间的差异。

    May, 2023

  • 不变形还是变形：基于无监督关键点检测的新辅助化疗乳腺动态对比增强磁共振成像的治疗感知纵向配准

    通过无监督关键点检测和选择性体积保持的有条件金字塔式注册网络，我们提出了一种用于评估新辅助化疗（NAC）后乳腺 DCE-MRI 的长期变形注册，以精确量化肿瘤变化。在这种方法中，我们从 DCE-MRI 中提取结构和异常关键点，将结构关键点应用于注册算法以限制大变形，并使用基于异常关键点的体积保持损失，在注册后保持肿瘤体积不变。使用 314 名接受 NAC 治疗的患者的 1630 个 MRI 扫描的临床数据集验证了我们方法具有更好的注册性能和更好的肿瘤体积保持。此外，基于我们提出的方法的局部 - 全局结合生物标志物在病理完全缓解（pCR）预测中取得了高准确性，表明预测信息存在于肿瘤区域之外。这些生物标志物有可能用于避免对某些患者进行不必要的手术。对于临床医生和 / 或计算机系统来说，使用我们的注册方法对图像进行随访肿瘤分割和响应预测可能非常有价值。我们的代码可在 https://github.com/fiy2W/Treatment-aware-Longitudinal-Registration 获得。

    Jan, 2024

  • 纵向单层腹部计算机断层扫描调和的深度条件生成模型

    通过使用 C-SliceGen 生成预定义的椎体水平切片，从而解决了不同年份获取的切片之间的位置变化导致不同器官 / 组织被捕捉到的问题，并通过评估我们的方法在多个数据集上的能力，证实了我们的方法在减少体腔脂肪面积方面可以协调纵向位置方差，为单片纵向分析提供了一个有希望的方向。

    Sep, 2023

  • 运用人工智能对 T2 磁共振成像中的腰椎肿瘤进行分割和定位

    通过引入一种新的数据增强技术，本研究旨在自动化脊柱肿瘤的分割和定位，利用医学影像中专家绘制的预定义掩模，结合模糊 c 均值聚类和随机森林算法的融合，实现了成功的脊柱肿瘤分割和分类，同时使用 3D 椎体分割和标注技术精确定位了腰椎肿瘤的确切位置。该方法表现出卓越的性能，获得了 99% 的肿瘤分割准确率、98% 的肿瘤分类准确率和 99% 的肿瘤定位准确率，超过了现有最先进技术的有效性，改进了脊柱肿瘤的检测和表征诊断能力，从而促进了更有效的临床决策。

    May, 2024