Mar, 2024

预检查提高颅脑 MRI 自动转移病灶的检测

PDF
TL;DR用对比增强 T1 加权图像进行自动检测，结合预诊断 MRI 能显著减少假阳性结果，但是在对比增强 T1 加权图像之外加入其他序列对假阳性结果减少无明显影响。
发现论文，激发创造
  • 使用卷积神经网络对磁共振图像模态进行分类

    提出一种基于三维卷积神经网络的磁共振图像对比度分类方法，在多个任务中验证其准确性可达 97.57%。

    Apr, 2018

  • 评估序列组合对多参数磁共振成像乳腺肿瘤分割的影响

    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

  • 使用多 b 值 DWI 为基础的分层融合网络与关注机制综合合成增强对比度的乳腺磁共振影像

    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

  • 基于多头膨胀编码器的深度学习框架，用于多参数磁共振成像增强子宫颈癌分割

    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

  • 基于 3D CNN 的 sMRI 和 MD-DTI 图像分类，用于阿尔茨海默病研究

    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

  • 卷积神经网络在 MR 脑图像自动分割中的应用

    使用卷积神经网络的多尺度信息，对单个解剖学 MR 图像进行自动分割，取得了在不同年龄和采集协议下的高度准确的分割结果。

    Apr, 2017

  • 增强光谱乳腺 X 线摄影中的病变检测

    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

  • 增强肿瘤分割的术前和术后对比乳腺磁共振成像合成

    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

  • 使用深度卷积神经网络进行前列腺癌检测

    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

  • 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