AutoCT 是一个综合的流水线系统,用于自动预处理、配准、分割和量化分析三维 CT 扫描图像,并通过有效的正向和逆向映射利用差异变形转化实现基于图谱的 CT 分割和量化,从变形场中提取定位特征,从而实施下游的统计学习以促进医疗诊断。AutoCT 是一个轻巧便携的软件平台,为 CT 成像领域提供了一个新的工具集,支持人工智能驱动应用的部署。
Oct, 2023
该论文回顾了近期在牙科锥形束计算机断层扫描成像中人工智能技术的趋势和应用,重点关注了机器学习、深度学习和超分辨率技术在 CBCT 成像中的应用及其在诊断和治疗规划中的潜力,同时讨论了 AI 在牙科和 CBCT 成像中的挑战和限制。
Jun, 2023
本文提出了一种基于深度卷积神经网络的实时方法,用于在 2D X 射线透视序列中分割导管和导丝,使其在 X 射线成像指导下的介入手术中能够自动检测和追踪,该方法在 25 个介入操作的 237 个 X 射线序列图像上进行训练和测试,得到了极高的分割精度。
Jul, 2017
通过提出基于深度学习模型的方法,可以高效且准确地分割 CTA 图像中与周围动脉疾病(PAD)手术相关的下行主动脉至髂分叉和下行主动脉至膝盖部分,为医学专业人员分析血管系统健康提供了有价值的工具。
Nov, 2023
本研究提出了一种快速、准确的冠状动脉疾病筛查和评估方法,基于深度学习和多轴视觉变压器架构,自动对计算机断层扫描成像进行分类和评分,并不需要人工干预。
Apr, 2023
通过多任务深度学习模型,以特征为导向的深度学习框架提供了一种新的方法,用于将低质量的锥形束计算机断层成像(CBCT)图像转换成高质量的类似于 CT 的成像,从而在压制伪影的同时保留了解剖细节。
我们介绍了一种自我监督深度学习架构,用于在纵向超声图像中分割导管,并消除对标记数据的需求。该模型在合成超声数据和硅主动脉模型图像上进行验证,展示了其未来在临床数据中应用的潜力。
Mar, 2024
通过融合预操作 CT 和模拟的术中 CBCT,研究了术中图像质量和错位对分割性能的影响,结果显示融合图像能够改善分割性能,即使显著错位的预操作数据也有潜力提高分割性能。
Jun, 2024
通过模拟管道生成大量的超声图像,以供导航相关的网络训练使用,从而实现快速准确的患者特异性超声图像生成并展示该方法在网络导航相关任务中的可用性。
Feb, 2024
提出了一种高效的自动头部 CT 图像三维重建方法,使用基于深度学习的目标检测算法自动重新格式化图像,并通过定性评估标准化重建结果展示了该方法的临床实用性和有效性。
Jul, 2023