预检查提高颅脑 MRI 自动转移病灶的检测
使用 nnU-Net 模型,研究探讨不同序列的 mpMRI 在乳腺肿瘤分割中的影响,并通过在多中心 mpMRI 数据集上的评估,证明了使用动态对比增强 MRI 序列可以获得较高的功能性肿瘤体积分割 Dice 相似系数和整个肿瘤掩膜分割改善。然而,添加 T2w 序列对结果影响不显著,需要进一步研究。该研究为未来的乳腺癌治疗反应预测提供基础。
Jun, 2024
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
本文提出了一种新的多头框架,使用扩张卷积和共享残差连接来对多参数 MRI 图像进行分开编码,以及进行了一系列架构实验来评估基于多参数输入信道和特征编码配置的肿瘤分割性能。
Jun, 2023
本文研究了自动分类方法的主要趋势,探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法,以及通过数据增强来平衡不同大小的类别对分类结果的影响。
Jan, 2018
本研究介绍了使用深度学习构建的计算机辅助诊断 (CAD) 技术,基于 Contrast Enhanced Spectral Mammography (CESM) 图像,通过神经网络识别乳腺恶性病变和进行分类,前期数据的结果证明最终模型在乳腺癌诊断上有很高的可行性。
Jul, 2022
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
本文介绍了基于卷积神经网络(CNNs)构建自动化流程,用于检测临床意义的前列腺癌(PCa)的给定轴向 DWI 图像,并为每个患者进行检测。检测性能在受试患者中获得了 0.87 的接收器操作特征曲线下面积(AUC)(95%置信区间(CI):0.84-0.90),在切片级别和患者级别分别为 0.84(95%CI:0.76-0.91)。
May, 2019
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