Feb, 2024

TAI-GAN：应用时间和解剖学信息的生成对抗网络用于动态心脏 PET 峰间运动校正中的早期到晚期帧转换

PDF
TL;DR使用丙型肝炎病毒核心蛋白定位成像的动态心脏正电子发射断层扫描 (PET) 对心肌血流量的定量和冠状动脉疾病的诊断准确性产生影响。本文提出了一种新颖的方法，称为时间和解剖学信息引导的生成对抗网络 (TAI-GAN)，通过将早期帧转换为与最后参考帧具有类似示踪物分布的帧来解决早期帧的帧间运动校正问题。经过 TAI-GAN 转换后，使用该方法进行运动评估和随后的心肌血流量定量的一般方法和基于深度学习的运动校正方法的准确性得到改善，相比使用原始帧。
inter-frame motionmyocardial perfusion imagingrubidium-82temporally and anatomically informed generative adversarial networkmotion correction
发现论文，激发创造
  • TAI-GAN：用于动态心脏 PET 运动校正中从早期到晚期帧转换的时间和解剖信息引导的 GAN

    使用生成对抗网络的时间和解剖知识的方法对动态心脏正电子发射断层扫描数据的帧间运动进行校正，能够提高图像质量、运动估计准确性和心肌血流量定量分析。

    Aug, 2023

  • CG-3DSRGAN：一种用于低剂量 PET 图像质量恢复的分类引导 3D 生成对抗网络

    本文提出了一种基于分类引导生成对抗网络和超分辨率细化的方法来提高正电子发射断层扫描成像的质量。通过对低剂量数据的噪声水平特征的更全面理解，改进了图像合成，并在各种剂量减少因素下优于现有的方法。

    Apr, 2023

  • RT-GAN：用于在基于帧的领域转换方法中增加轻量级时间一致性的循环时序生成对抗网络

    通过 RT-GAN（循环时间 GAN）的轻量级可调的时间参数，为单帧方法添加时间一致性，将培训需求降低了 5 倍，从而在内窥镜视频的开发中展示了其有效性，包括肠镜检查中忽略表面的构壁褶皱分割和逼真的肠镜模拟器视频生成。

    Oct, 2023

  • DeepTag: 一种基于无监督深度学习的心脏标记磁共振图像运动跟踪方法

    本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

    Mar, 2021

  • 未来流嵌入视频预测的双运动 GAN

    本文开发了一个双模 GAN 架构，采用双学习机制，明确地执行未来帧预测与视频中像素流的一致性，该模型通过新的概率运动编码器处理不同像素位置的自然运动不确定性，并使用对抗训练确保未来帧的预测及光流的预测具有真实感，实验证明该模型性能明显优于最先进的方法，具有较强的泛化能力。

    Aug, 2017

  • 动态 PET 中基于生理学的药物动力学建模的自监督学习

    本论文介绍了使用自监督方法构建环境下的动态正电子发射断层成像 (dPET) 成像技术，采用基于生理的药物动力学建模和空时域 UNet 来估计动力学参数的方法，以及像 FDG 这样的放射性示踪剂的时间活动曲线来实现诊断性信息提取，产生与预期生理一致的像素级参数图像。

    May, 2023

  • 超越传统限制：生成对抗网络在超声成像中的应用

    这篇论文介绍了一种基于条件生成对抗网络 (cGANs) 的新型 TTE 超声成像方法，名为 echoGAN，通过外延技术增强 TTE 超声成像的可视区域，同时保持高分辨率，从而有望在无创心脏导航和诊断领域取得显著进展。

    May, 2024

  • X2CT-GAN: 用生成对抗网络从二平面 X 光线重建 CT

    使用生成对抗网络（GAN）框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加，从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估，并获得较好的成果。

    May, 2019

  • 时间序列图像化以提高分类和插补能力

    本研究利用深度学习，将时间序列编码为各种类型的图像，并使用卷积神经网络对其进行分类，其中采用 GASF/GADF 和 MTF 技术进行编码。通过在 20 个标准数据集上使用 TILE CNNs 进行学习，本方法取得了与当前九种最佳时间序列分类方法具有高度竞争力的结果。同时，本文还使用 DA 对经过编码的 GASF 图像进行降噪自编码器的培训，并在 4 个标准数据集和一个合成复合数据集上证明，使用 GASF 图像进行插值可以将测试数据的均方误差降低 12.18％-48.02％。分析了由 Tibed CNNs 和 DAs 学习到的特征和权重，解释了本方案的工作原理。

    Jun, 2015

  • 自监督自适应残差估计生成对抗网络下的 PET 合成

    通过自我监督的自适应残差估计生成对抗网络（SS-AEGAN），我们引入了自适应残差估计映射机制 AE-Net，并采用自我监督的预训练策略来提高粗糙生成器的特征表示，实验证明 SS-AEGAN 在各种剂量降低因素下，始终优于最先进的合成方法。

    Oct, 2023