Feb, 2024

稀疏张量神经网络修剪用于 3D 超声定位显微镜的深度学习

PDF
TL;DR用稀疏张量神经网络可以减少超声局部显微镜在三维成像中的存储需求，并在高浓度情况下明显优于传统的 ULM 方法。
ultrasound localization microscopymicro-vesselsmicrobubblessparse tensor neural networks3d imaging
发现论文，激发创造
  • 时空超声定位显微镜的深度学习框架

    通过深度学习中的三维卷积神经网络，从具有高泡沫浓度的超声数据中恢复密集的血管网络。

    Oct, 2023

  • RF-ULM：射频超声定位显微镜的深度学习

    采用超分辨率深度神经网络和几何点变换的射频超声成像技术在定位过程中发现有巨大潜力，可以有效地提高精度和复杂性，弥合了合成和真实数据集之间的领域差距。

    Oct, 2023

  • 从射频数据学习超分辨率超声定位显微镜

    通过将未经处理的射频数据输入到超分辨率网络中，本文提出了绕过 DAS 波束成形及其限制的方法，以提高超声定位显微镜（ULM）的分辨率性能。通过对公开数据集的评估，我们的结果表明，排除 DAS 波束成形具有优化 ULM 分辨率性能的巨大潜力。

    Nov, 2023

  • 利用神经网络定位超密度发射器

    这篇研究论文介绍了一种新型的深度卷积神经网络 LUENN，可以有效提高单分子定位显微镜技术的亚细胞结构可视化的时间分辨率，通过准确的位置不确定性估计器，成功应用于密度高达 31 个 / 平方微米的多个发射器的图像定位。

    May, 2023

  • 几何超声定位显微镜

    该研究提出了一种新颖的基于几何框架的微泡定位方法，该方法利用时差到达信息，克服了现有波束成形的限制，并在可用传感器数据的一部分情况下，比现有基准方法更准确，更可靠。

    Jun, 2023

  • LOTUS：学习优化基于任务的超声图像表示

    通过模拟介质的计算，该论文提出一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。

    Jul, 2023

  • MicroSegNet: 微超声图像前列腺分割的深度学习方法

    本文提出了一种基于深度学习的方法，即 MicroSegNet，用于对微型超声图像上的前列腺进行自动化、快速、准确的分割，使用了多尺度注释引导变压器 UNET 模型，可以更好地处理前列腺、膀胱和尿道的艺术品和不清晰的图像区域，取得了比现有分割方法更好的结果，还提供了代码与数据集。

    May, 2023

  • 深度展开的鲁棒主成分分析及其在超声杂波抑制中的应用

    本文提出了一种使用机器学习中的鲁棒主成分分析和深度展开技术的方法，用于去除超声图像中的杂波，并优化超声图像对于血管的可视化效果。

    Nov, 2018

  • 使用自监督学习的时空双流网络对径向探针支气管内超声视频中的肺部肿瘤进行分类

    本研究旨在设计基于 3D 神经网络、融合时空特征的 SlowFast 网络以及增强噪声鲁棒性的 SwAV 方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。

    May, 2023

  • 利用 CNN 和测地线拟合树模型以跟踪血管并应用于超声定位显微镜数据

    通过使用卷积神经网络对感兴趣的点进行定位和分类，并将血管表示为一些最小距离树状图的边，基于地形测量方法检测血管及其几何特征，我们的研究聚焦于在血管网络中检测重要的地标，并利用位置和方向的空间，准确地将 2D 血管表示为树状结构。我们构建了适用于超声定位显微镜（ULM）数据跟踪的模型，提出在这种类型数据上构建良好的成本函数用于跟踪。我们还对合成数据和眼底图像数据进行了测试。结果表明，缺乏良好注释的 ULM 数据是血管地标定位的障碍，但基于 ULM 数据建立的方向得分对于追踪血管具有良好的测地线效果。

    Nov, 2023