Mar, 2024

PEPSI：病理学增强的脑 MRI 脉冲序列不变表示

PDF
TL;DR提出了 PEPSI 方法，一种病理增强和脉冲序列不变的脑部 MRI 特征表示学习模型，它能够合成高分辨率的对比度参考图像和突出显示病变的图像，显示了其在图像合成和病变分割方面的出色能力。
mri analysispathologypulse sequencespepsiimage synthesis
发现论文，激发创造
  • PASTA: 具有扩散模型的病理感知 MRI 到 PET 的跨模态翻译

    提出了一种基于条件扩散模型的新型病理感知图像转换框架 PASTA，通过高度互动的双臂架构和多模态条件集成，PASTA 在保留目标模态中的结构和病理细节方面优于现有方法，并采用循环交换一致性和体积生成策略提高了生成的高质量 3D PET 扫描能力，定性和定量结果证实，通过 PASTA 合成的 PET 扫描不仅达到最佳定量分数，而且正确保留了病理学。对阿尔茨海默病分类而言，合成扫描的性能比 MRI 提高了 4%，几乎达到实际 PET 的性能。

    May, 2024

  • 使用多模式生成对抗网络进行 MRI 脉冲序列合成

    本篇研究提出了一种基于生成对抗网络的多输入、多输出的方法，通过利用多个序列的冗余信息，能够在单次扫描中生成患者缺失的磁共振成像序列，该方法在两个不同的 4 序列脑 MRI 数据集上进行了测试，并与单模态和多模态方法进行了比较，结果定量和定性上均优于其竞争方法。

    Apr, 2019

  • 数字病理学中无旋转偏见的图像表示学习

    本研究提出了三个关键技术贡献，分别为：一种快速的片段选择方法（FPS）用于全切片图像分析，显著降低计算成本同时保持准确性；一种轻量级组织病理特征提取器 PathDino，仅包含五个 Transformer 块和 900 万参数，较其他方法大大减少；一种使用自监督学习的旋转不变表示学习范式，有效减轻过拟合。并且通过在 12 个不同数据集上的评估，证明我们的紧凑模型优于现有的最先进组织病理专用视觉转换器，还验证了其在数字病理学中增强图像分析的鲁棒性。

    Nov, 2023

  • 一对多：物理学知识的合成数据提升了用于快速磁共振成像重建的通用深度学习

    通过使用一种名为 PISF 的物理学知识驱动的合成数据学习框架，我们展示了在多种快速 MRI 重建场景中，训练深度学习模型可以实现与实际数据匹配的可比甚至更好的成果，并将对真实 MRI 数据的需求降低了高达 96%。

    Jul, 2023

  • Brain-ID：学习脑部成像的强健特征表示

    Brain-ID 是一种用于脑成像的稳健特征表示学习策略，无论采集图像的外观如何（例如变形、对比度、分辨率、方向、伪影等），都能适应各个受试者的脑解剖结构，可用于多种对比度相关和独立的下游任务。

    Nov, 2023

  • PHE-SICH-CT-IDS：自发性脑出血围血肿的语义分割、物体检测和放射学特征提取评估的 CT 图像基准数据集

    血脑屏障区自动分割方法的 CT 数据集 PHE-SICH-CT-IDS 将有助于评估 intracerebral hemorrhage 的分割、检测和特征提取方法。

    Aug, 2023

  • 物理学知识卷积神经网络生成具有通用性的合成磁共振图像

    本研究开发了一种基于物理知识的深度学习方法来合成多种脑部磁共振成像（MRI）对比度，从而加速神经影像处理，并研究了该方法的泛化能力，该方法能够将五分钟的扫描数据合成为四种标准对比度，并且具有良好的泛化性能适用于加速神经影像处理的协议。

    May, 2023

  • 基于隐式自纹理增强的高效双支路框架实现任意尺度的组织病理学图像超分辨率

    通过提出基于隐性自纹理增强的双分支框架（ISTE），实现了病理图像的任意尺度超分辨率，大幅度提升了现有固定尺度和任意尺度算法在多个放大倍率上的表现，并有助于改善下游任务性能。

    Jan, 2024

  • 三维健康脑组织修复的去噪扩散模型

    通过探索和扩展去噪扩散模型，本研究实现了对健康三维脑组织的一致修复，评估了其在磁共振影像中的回填效果，并在脑组织分割任务中优于现有的病变填充方法。

    Mar, 2024

  • 一种用于氘代谢成像（DMI）的深度学习增敏方法

    通过使用卷积神经网络和 MRI 边缘保持正则化方法，提出了一种用于增强 Deuterium 代谢成像（DMI）灵敏度的处理方法（PRECISE-DMI），该方法能够在保持能够检测局部信号变化的能力的同时，将 DMI 的灵敏度提高了 3 倍。

    Sep, 2023