Mar, 2024

使用有条件深度学习降低脑部 MRI 的钆剂量

PDF
TL;DR利用深度学习方法，本文针对对比增强和图像合成的挑战，通过利用预处理对比度图像对的差异图中的对比信号提取和增强，在低剂量减影图像中回避噪声和伪影用以专注于对比信号，并可实现标准剂量之外的图像合成，同时基于最近扩散模型的嵌入思想来根据影响对比增强行为的物理参数对模型进行条件化，并在多个扫描仪、场强和对比剂的合成和真实数据集上验证了我们的方法的有效性。
deep learninggadolinium-based contrast agentscontrast enhancementsynthesis of imageslow-dose subtraction images
发现论文，激发创造
  • 使用保噪有条件 GAN 忠实地合成低剂量增强脑 MRI 扫描

    通过使用条件 GAN 模型合成图像，研究探讨了非标准 GBCA 剂量下诊断性能的损失，WS 距离被用于提高图像细节保真度，可得出适用于不同剂量下的生成图像，为虚拟对比模型提供数据.

    Jun, 2023

  • MRI 使用迭代全局变换模型模拟任意级别对比剂剂量

    基于深度学习的磁共振成像对比剂剂量降低和消除正受到关注，限制于高质量低剂量数据集的可用性导致这些深度学习算法受到限制。本研究提出了一种基于转换器 (Gformer) 的新型迭代建模方法，用于合成具有任意对比度增强的图像，从而对应于不同的剂量水平。Gformer 模型结合了基于子采样的注意机制和旋转位移模块，捕捉各种对比度相关特征。定量评估表明，所提出的模型性能优于其他现有方法。进一步，在剂量减少和肿瘤分割等下游任务上开展了定量评估以证明其临床实用性。

    Jul, 2023

  • 探索基于深度学习的脑 MRI 到 CT 合成中的对比度泛化

    研究领域：通过深度学习及领域随机化技术生成高质量头部合成计算机断层扫描图像，提高医疗影像辅助治疗的精度。

    Mar, 2023

  • CAVM：针对增强对比度脑肿瘤 MRI 合成的有条件自回归视觉模型

    提出了用于改进对比增强脑肿瘤磁共振成像的条件自回归视觉模型 (CAVM)。CAVM 通过逐渐增加造影剂剂量从而生成高剂量虚拟图像，使用分解标记器和解码器进行图像的自动回归策略，最终产生对比增强的磁共振成像。

    Jun, 2024

  • 基于多条件潜在扩散模型的对比动力学学习

    通过多条件潜在扩散模型实现了动态对比增强磁共振成像的时间序列图像合成，提出了基于 Frechet 放射学距离的医学图像质量评估方法，并展示了深度学习在对比动力学模拟中的潜力。

    Mar, 2024

  • 增强肿瘤分割的术前和术后对比乳腺磁共振成像合成

    利用生成对抗网络 (GAN) 将原始的 T1 加权饱和脂肪胸部 MRI 图像转化为相应的首次动态对比增强 MRI 序列，生成合成对比增强图像，并通过定量图像质量度量来评估生成的数据质量，将其应用于三维乳腺肿瘤分割，结果表明通过数据增强方式合成后的动态对比增强 MRI 图像在增强乳腺肿瘤分割模型的稳健性方面具有潜力，代码链接见摘要。

    Nov, 2023

  • 基于条件生成式对抗网络的多对比度磁共振成像合成

    本文提出了一种基于条件生成对抗网络的多对比度 MRI 综合新方法，该方法通过对抗损失保留高频细节，通过对注册多对比磁共振图像的逐像素损失和对非注册图像的循环一致性损失提供增强的合成性能，利用邻近切片的信息进一步提高合成品质，实验证明其优于以前最先进的方法，可以提高多对比度 MRI 检查的质量和多样性，无需需要长时间的检查。

    Feb, 2018

  • 使用多 b 值 DWI 为基础的分层融合网络与关注机制综合合成增强对比度的乳腺磁共振影像

    本研究开发了一种多序列融合网络，基于 T1 加权 MRI 和 DWI 合成对比增强 MRI，可以潜在地用于合成 CE-MRI，从而在理论上减少使用 GBCA，降低对患者的负担。

    Jul, 2023

  • 基于 PGGAN 的无限制脑部 MR 图像数据增强用于肿瘤检测

    本研究使用生成对抗网络（GAN）通过 Progressive Growing 技术生成 256x256 大小的 MRI 图像，结合传统数据增强技术可以有效地提高脑肿瘤检测的性能及在医学成像任务中的应用。

    Mar, 2019

  • 合成脑图像：用生成对抗模型弥合脑部映射中的差距

    使用深度卷积生成对抗网络（DCGAN）合成高保真和逼真的 MRI 图像切片，为医学影像研究提供深度学习技术的应用。

    Apr, 2024