Mar, 2024

从 3T 采集合成 7T MRI

PDF
TL;DR用监督深度学习技术可以从 3T MRI 输入生成合成的 7T MRI。本文介绍了多种基于自定义变体的 V-Net 卷积神经网络的 7T 合成算法。我们证明基于 V-Net 模型在增强单点和多点 MRI 数据集方面的性能优于现有基准模型。我们的模型在训练了 8 个轻微创伤性脑损伤（TBI）患者的 3T-7T MRI 对后，在合成 7T 方面实现了最先进的性能。与以前的研究相比，我们的管道生成的合成 7T 图像还显示了对病理组织的优越增强效果。此外，我们还实施和测试了一种对输入分布变化具有鲁棒性的模型训练数据增强方案。这使合成的 7T 模型能够适应多中心数据集中的扫描仪内部和跨扫描仪的变异性。在包括健康受试者和轻微 TBI 患者的两个机构的 18 对 3T-7T MRI 数据集上，我们的模型保持其性能，并能在分辨率较低的 3T MRI 输入上泛化。我们的发现证明了基于 V-Net 模型在 MRI 增强方面的潜力，并为增强合成 7T 模型的泛化能力进行了初步探索。
supervised deep learning7t mrisimage enhancementv-net convolutional neural networkdata augmentation
发现论文，激发创造
  • 基于 3T fMRI 数据和无监督学习的视网膜视觉图像重建

    通过无监督生成对抗网络 (GAN) 结合 7T 和 3T 两个不同的 fMRI 数据集，本文提出了一种新的框架来生成改进的 3T fMRI 数据，克服高质量 7-Tesla 数据的稀缺性和 3-Tesla 实验中简短和低质量扫描的挑战，证明了该方法在生成优质输入视觉图像方面相对于在单个主题上进行训练和测试的数据密集型方法的能力。

    Apr, 2024

  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • BrainVoxGen：用于超声到磁共振图像合成的深度学习框架

    本研究提出了一种基于深度学习框架的方法，旨在利用 Pix2Pix GAN 模型从三维超声图像合成三维 MRI 体积。利用 3D 超声卷积数据集输入到 UNET 生成器和修补鉴别器，创建相应的 3D MRI 体积。通过对 3D 超声和 MRI 图像数据集应用鉴别器和生成器的损失函数来评估模型性能。结果表明合成的 MRI 图像与预期结果存在一定的相似性。尽管在数据集大小、计算资源和技术复杂性方面存在挑战，但该方法成功生成了具有满意相似性评分的 MRI 体积，并可作为进一步研究的基线。它突显了基于深度学习的体积合成技术在超声到 MRI 转换中的潜力，展示了其在医学应用中的可行性。需要进一步改进和探索以提高临床相关性。

    Oct, 2023

  • 基于多阶段注意力生成对抗网络的高组织对比度 MRI 合成，用于胶质瘤分割

    采用 CycleGAN 并引入注意力机制和多级结构生成高组织对比度 MRI 图像，来增强 MRI 组织分割。实验结果表明，该方法在肿瘤边界分割上取得了可观的提升。

    Jun, 2020

  • 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

  • FMRI 数据增强合成

    本研究使用经典方法和现代隐式生成模型对神经影像数据集进行了合成增广，能够 “改善预测 fMRI 模型的质量”，并且在预测认知和行为结果方面得到了较好的性能提升。

    Jul, 2019

  • 基于多任务神经网络框架的多模态 MRI 数据增强 CT 图像合成

    本研究提出了一种基于增强的 Transformer U-Net 架构的多功能多任务神经网络框架，可以同时、选择性和自适应地解决医学图像中的图像分割、实值预测和跨模态转换等关键挑战。通过对人脑 MR 和 CT 图像的公共数据集进行验证，我们将合成 CT 图像的传统问题分解为不同的子任务，包括颅骨分割、HU 值预测和图像顺序重建。为了增强该框架处理多模态数据的多功能性，我们在模型中添加了多个图像通道，并进行了基于 T1 加权和 T2-Flair 图像合成的 CT 图像比较，评估了模型从形态学和像素值角度集成多模态信息的能力。

    Dec, 2023

  • 超高场表示的转移用于低场磁共振成像引导的脑分割

    通过深度学习框架将低场磁共振特征与推断得到的 7T 类似特征融合，实现在无 7T 磁共振条件下对脑图像进行分割任务，提高了分割质量和适应性。

    Feb, 2024

  • 元数据条件生成模型合成解剖合理的 3D 脑核磁共振图像

    生成式人工智能模型在创建改进神经影像研究的合成脑 MRI 方面具有巨大潜力，但目前主要研究仅侧重于优化合成 MRI 的视觉质量，缺乏对其与神经科学的关联性的深入理解。然而，通过我们提出的新的生成模型 BrainSynth，我们首先实现了在 T1 加权 MRI 方面实现最先进视觉质量的元数据条件下（例如年龄和性别具体），并通过一种新的程序扩展了我们的评估方法，以量化解剖合理性，即合成 MRI 多少地捕捉到脑区的宏观结构特性，并且准确地编码了年龄和性别的影响。结果表明，我们合成的 MRI 中有一半以上的脑区在解剖上是准确的，即真实 MRI 与合成 MRI 之间存在很小的效应。此外，解剖合理性在皮层区域之间根据其几何复杂性而异。根据现有情况，我们的合成 MRI 可以显著改善卷积神经网络在独立研究中识别加速衰老效应的训练。这些结果突出了使用生成式人工智能来辅助神经影像研究的机会，并指出了进一步改进的方向。

    Oct, 2023

  • 深度学习在脑影像合成技术中的系统回顾

    该综述论文介绍了医学影像学的现状，重点关注深度学习技术在脑图像合成中的应用。强调了医学图像合成在提高诊断准确性和减少医疗过程中侵入性方面的需求，并介绍了深度学习在实现这些进展中的作用。论文探讨了各种脑图像合成方法和技术，包括二维到三维构建、MRI 合成和变换器的使用。还讨论了这些方法面临的限制和挑战，例如获取经过精心筛选的训练数据和解决脑超声问题。综述通过探索这一领域的未来潜力和使用深度学习技术在医学影像学中的进一步发展机会来总结。强调了变换器的重要性及其在医学影像领域中革命性的潜力。此外，论文还讨论了解决该领域的缺点和限制的潜在解决方案。该综述为研究人员提供了关于该领域现状的更新参考资料，并旨在激发进一步研究，弥合医学影像学的当前状态与深度学习技术所提供的未来可能性之间的差距。

    Sep, 2023