Mar, 2024

UDCR：无监督主动学习和重叠度计算进行的主动导管行雷管 DSA/CTA 刚性配准

PDF
TL;DR本文提出了一种基于深度强化学习的无监督的主动血管 DSA/CTA 刚性配准方法 UDCR，通过重叠度计算奖励函数来衡量分割图与 DSA 图像之间的配准准确性，该方法具有高度灵活性，可用于临床应用。
aortic dsa/ctarigid registrationdeep reinforcement learningunsupervised methodclinical applications
发现论文，激发创造
  • 基于物理信息学的时间分辨血管造影荧光剂浓度重建

    通过训练基于神经网络的模型，并结合血液流动模拟数据集，我们的方法可以重建血管内对比剂在时间和空间上的浓度变化，具有很高的准确性和鲁棒性。

    Mar, 2024

  • DeepVox 和 SAVE-CT：一种对比度和剂量无关的三维深度学习方法，用于胸部主动脉分割和动脉瘤预测的计算机断层扫描

    这项研究探索了使用低剂量 CT 扫描和无对比剂加强 CT 扫描获得的图像进行自动化筛查、评估和分类的方法，开发了一种新型分割模型和 TAA 分类模型，可在不同条件下进行全自动的无对比剂和剂量独立的 TAA 评估，以减少患者的筛查时间和病理评估风险。

    Oct, 2023

  • 使用深度学习和任务特定中心线标注的 CAD-RADS 评分

    这份研究论文用深度学习算法实现了一种快速，可靠，易于实施的冠状动脉 CT 血管造影图标注方法，将冠状动脉树分成患者间一致的部分，并获得了比以前更好的诊断表现

    Feb, 2022

  • KidneyRegNet: 一种用于呼吸期 3DCT-2DUS 肾脏配准的深度学习方法

    本文提出了一种新的深度配准管道，用于自由呼吸的 3D CT 和 2D U/S 肾脏扫描，包括一个特征网络和一个基于 3D-2D CNN 的配准网络，该网络结构和训练策略通过降低语义差距等手段解决了 3D CT-2D U/S 肾脏配准时的困难。

    May, 2023

  • 自主肋间超声成像中针对 Class-A 的软骨分割实现 US-CT 配准

    通过使用神经网络实现软骨骨分割和基于骨骼图的非刚性配准方法，能够精确地将 CT 通路映射到个体患者上，提高内脏器官的可视性。

    Jun, 2024

  • 基于 3D 卷积神经网络的腹主动脉瘤分割

    本文提出了首个用于分割腹主动脉瘤的 3D 卷积神经网络，并成功地验证了其在诊断和评估方面的性能，该方法可自动量化主动脉瘤直径，开拓更复杂的主动脉瘤分析机会。

    Mar, 2019

  • 数字减影血管造影序列数据集和脑动脉分割的时空模型

    DSA 序列中的脑血管自动分割的研究，通过引入一个专为像素级语义分割设计的公开可访问数据集 DSCA 和一种名为 DSANet 的时空网络方法进行小血管分割，成功改进了诊断脑血管疾病的准确性。

    Jun, 2024

  • 无监督可变形超声图像配准及其在血管分割中的应用

    本文介绍了一种基于深度学习的模型进行医学超声图像的可变形配准，同时能够生成合成图像用于训练血管分割模型，而无需额外的手动标注。模型通过不同的损失函数进行训练，能够将生成的合成超声图像与真实图像的结构相似性指数（SSIM）分别达到 98% 和 81%。同时，合成的变形图像可用作数据增强技术来提高血管分割模型的分割表现。

    Jun, 2023

  • DeepAAA：利用深度学习进行临床可应用和普适性的腹主动脉瘤检测

    本研究提出了一种基于深度学习的技术，用于检测和量化腹主动脉瘤，该模型架构是一个改进的 3D U-Net 算法与椭圆拟合相结合，可用于主动脉分割和腹主动脉瘤检测，模型经过 321 个腹部 - 盆腔 CT 检查的训练和验证，在 57 个新的检查数据上也具备很高的性能。

    Jul, 2019

  • 自适应领域无监督学习用于自动估计心胸比

    本文提出了一种基于对抗网络的无监督域自适应框架，旨在通过从公开可用的数据源学习域不变特征表示来为未标记的数据集产生准确的胸部器官分割，以协助诊断肺心病。研究结果表明，所提出的模型具有良好的分割性能，并具有临床实用性。

    Jul, 2018