May, 2024

基于条件生成对抗网络的结构性 MRI 三维淀粉样蛋白质 PET 合成

PDF
TL;DR开发一种 3D 图像转换模型，能够从 T1 加权 MRI 合成淀粉样蛋白 PET 图像，通过模型训练和验证，证明了从结构性 MRI 图像中合成淀粉样蛋白 PET 图像的可行性，大大提高了大型队列研究和早期痴呆症检测的可访问性，同时降低成本、侵入性和辐射暴露。
发现论文，激发创造
  • 通过结构 MRI 从正中磁面 PET 合成淀粉样蛋白 β: 一种用于阿尔茨海默病筛查的图像翻译方法

    论文通过实现图像转换模型从结构 MRI 生成合成的 Amyloid-beta PET 图像，结果表明合成的 PET 图像在形状、对比度和整体高 SSIM 和 PSNR 等方面与真实图像具有高度相似性，并证明了通过结构到定量图像转换可从仅有的 MRI 获取 Amyloid-beta 信息的可行性。

    Sep, 2023

  • 多模态 MRI 基于的阿尔茨海默病相关淀粉样蛋白状态的检测

    通过结构、功能和扩散性 MRI 数据的多模态集成信息，可以准确判别 Aβ 血型在阿尔茨海默病连续性中的状态，为该领域的进一步研究铺平了道路。

    Jun, 2024

  • 跨模态三维图像合成的循环 2.5D 感知损失：T1 MRI 到 Tau-PET

    阿尔茨海默病（AD）是最常见的痴呆症，其特征是认知能力下降和 tau 蛋白等生物标志物。使用神经网络进行图像合成，可以从易获取的 T1 加权磁共振成像（MRI）图像生成 tau-PET 图像。通过使用 2.5D 感知损失和均方差与结构相似性指数度量的损失结合，能够保证高质量的图像合成。

    Jun, 2024

  • TauAD: 基于条件扩散模型的 PET 成像无需 MRI 的 Tau 异常检测

    通过提出一种新颖的条件扩散模型，从 tau PET 成像数据中进行无 MRI 异常检测，并通过训练支持向量机（SVM）对疾病严重程度进行分类，该方法在 AD 患者和亚临床受试者中表现出高准确性和生物相关性。

    May, 2024

  • 用于从 sMRI 和 PET 扫描早期诊断阿尔茨海默病的多模态图神经网络

    采用深度学习模型结合多模态数据进行阿尔茨海默病的早期诊断，通过图神经网络框架将结构和功能融合，提高诊断效果。

    Jul, 2023

  • 生成人工智能在眼科学中的应用：使用卷积神经网络进行多模态视网膜图像诊断阿尔茨海默病

    用多模态视网膜成像和卷积神经网络预测淀粉样蛋白阳性发射计算机断层扫描（AmyloidPET）状态，并通过合成数据预训练以提高性能。

    Jun, 2024

  • 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

  • TauPETGen: 基于潜在扩散模型的文本条件下 Tau PET 影像合成

    本文提出了一种基于文本的图像合成技术，利用主题的 MR 映像和文字描述来生成逼真的 tau PET 影像，该方法基于潜在扩散模型。利用身体图像提供解剖细节，而文本描述可以提供有关 tau 神经纤维缠结可能沉积的位置的指导，初步的实验结果证明了该方法生成真实的 tau PET 影像的可行性。

    Jun, 2023

  • 功能成像约束下的脑 PET 合成与结构 MRI

    通过提出一种功能成像受限扩散（FICD）框架，该框架利用配对结构 MRI 对三维脑 PET 图像进行合成，引入了一种新的约束扩散模型（CDM），并通过稳定的训练阶段在高输出保真度的同时确保大脑功能信息的保留。定量和定性分析表明，FICD 在生成 FDG-PET 数据方面的性能优于现有的方法，并通过三个下游任务在共计 1,262 个受试者的数据上验证了所提出的 FICD 的有效性和通用性。

    May, 2024

  • 自监督自适应残差估计生成对抗网络下的 PET 合成

    通过自我监督的自适应残差估计生成对抗网络（SS-AEGAN），我们引入了自适应残差估计映射机制 AE-Net，并采用自我监督的预训练策略来提高粗糙生成器的特征表示，实验证明 SS-AEGAN 在各种剂量降低因素下，始终优于最先进的合成方法。

    Oct, 2023