Mar, 2024

一种用于 MRI 偏差场校正的概率哈达迈尔 U-Net

PDF
TL;DR该论文提出了一种用于前列腺 MRI 偏置场校正的概率 Hadamard U-Net（PHU-Net）方法，通过引入新颖的 Hadamard U-Net（HU-Net）提取低频标量场，在频域中使用可训练过滤器、硬阈值化层和稀疏性惩罚消除高频组分，结合条件变分自编码器将偏置场校正形式编码到低维潜在空间中，通过与校正后原型图像相结合生成多个合理的图像，实验证明 PHU-Net 在快速推理速度下有效地纠正了前列腺 MRI 中的偏置场，并提高了前列腺 MRI 分割准确性。
magnetic field inhomogeneity correctionprostate mrihadamard u-netbias field correctionsegmentation accuracy
发现论文，激发创造
  • 未监督分解网络用于磁共振图像的偏差场校正

    提出了一种利用无监督分解网络从有偏数据中获取无偏 MR 图像的方法，该方法通过对图像进行分割并估计偏差场来实现偏差校正，并且引入了基于模糊聚类和乘法偏差场的损失函数来提高偏差校正效果。

    Jul, 2023

  • 加速 MRI 重建中的不确定性估计与传播

    基于深度学习的 MRI 重建技术在高度加速设置中取得了前所未有的重建质量，然而，深度学习技术也容易出现意外失败和结构产生幻觉，因此在临床实践中安全使用这项技术需要良好校准的不确定性量化，本文提出了一种基于条件层次变分自动编码器的新颖概率重建技术（PHiRec），展示了我们提出的方法不仅产生高质量的重建结果，而且比几个强基准模型具有更好的校准不确定性量化；此外，我们还展示了在 MR 重建过程中产生的不确定性如何传播到下游分割任务，并表明 PHiRec 还允许对分割不确定性进行良好校准的估计。

    Aug, 2023

  • 一种用于建模多尺度模糊的层次概率 U-Net

    提出一种用于鲜明可辨的多级细节分割的分割网络，Hierarchical Probabilistic U-Net，它采用基于条件变分自编码器的分层潜空间分解，可以在自动分离多个规模的独立因素的同时，学习跨规模的复杂结构分布，从而实现对医疗扫描的分割以及对神经生物学和自然图像实例分割的能力的提升。

    May, 2019

  • 基于物理学的网络微调，从高通滤波相位中获取鲁棒的量化磁化率图

    该论文介绍了一种卷积神经网络（CNN）的改进方法，该方法使用基于物理的微调过程和渐进式 Unet 网络结构从高通滤波的相位（HPFP）图像中精确预测定量磁化率映射（QSM），并提高了模型的鲁棒性。

    May, 2023

  • 使用主体特定细调 U-net 预测 7T MRI 中脑部 B0 场的动态运动相关变化

    通过深度学习在磁共振成像中预测 B0 场的变化，利用解剖图像和 B0 图像的转换，实现了头部运动对 B0 场的影响进行修正。同时，与现有方法相比，该方法无需使用导航器，性能相当且空间分辨率更高。

    Apr, 2023

  • 基于概率 TransUNet 的白质高信号区分割

    本研究提出了一种名为 Probabilistic TransUNet 的方法来解决医学图像中小物体分割的准确性和模糊性问题，并通过 k 折交叉验证和跨数据集鲁棒性实验表明加入概率模型和使用基于 Transformer 的方法可以取得更好的性能。

    May, 2023

  • MS-Net：用于异构 MRI 数据的改进前列腺分割的多站点网络

    本文提出了一种利用多源数据进行前列腺 MRI 图像分割的新方法，即利用多站点数据训练深度学习模型并通过领域特定的批归一化层提高图像分割性能。

    Feb, 2020

  • FAU-Net: 一个具有特征金字塔注意力的注意力 U-Net 扩展用于前列腺癌分割

    本研究提出了一种基于 U-Net 的深度学习方法，利用加性和特征金字塔注意力模块对 MRI 图像中的前列腺区域进行分割，可以改进前列腺癌的检测和诊断工作流程。该模型与七种不同的基于 U-Net 的架构进行了比较，并通过 Dice Score (DSC) 和 Intersection over Union (IoU) 评估了每个模型在中央区域 (CZ)、外周区域 (PZ)、转换区域 (TZ) 和肿瘤区域的自动分割性能。该提出的方法在测试集中实现了平均 DSC 为 84.15% 和 IoU 为 76.9%，在本研究中的大多数模型中表现优异，仅次于 R2U-Net 和注意力 R2U-Net 架构。

    Sep, 2023

  • 深度学习：从低场强到高场强 MR 的图像质量传递与概率下采样模拟器

    该研究采用图像质量转移（IQT）的方法，提高低场（<1T）扫描的结构 MRI 图像的分辨率、空间覆盖度和对比度，通过引入概率减采样模型，增强模型的鲁棒性，并设计了一种 U-net 架构的变种，在亚非地区低场 MRI 诊断癫痫的应用中取得了良好的效果。

    Sep, 2019

  • 利用图像翻译进行领域转移，提高前列腺癌分类的不确定性感知能力

    本文提出了一种用于翻译未配对的前列腺 mp-MRI 图像以分类有临床意义的前列腺癌的新方法，通过培训在低数据大小的数据限制性环境中使用的证据深度学习方法的模型来改善性能和预测不确定性。

    Jul, 2023