May, 2024

通过将 MRI 图像视为反转的 CT 扫描来改进跨模态分割

PDF
TL;DR本研究展示了一种简单的图像反转技术，可显著改善计算机断层扫描（CT）分割模型在磁共振成像（MRI）数据上的分割质量，以 T1 加权 MRI 图像为例，通过使用 TotalSegmentator 模型。图像反转容易实现，不需要专用的图形处理单元（GPU），因此为生成 MRI 数据的分割掩膜提供了一种快速的替代方法。
computed tomographymagnetic resonance imagingsegmentation modelsimage inversion techniquetotalsegmentator model
发现论文，激发创造
  • 跨模态医学图像分割的简单而强大的框架: Vision Transformers 应用

    通过使用单一的条件模型，根据输入类型调整其归一化层来实现多模态图像的公平图像分割，并在多模态全心分割挑战中优于其他跨模态分割方法。

    Oct, 2023

  • 深度学习在计算机断层摄影和磁共振成像分割中的自动化应用：初学者指南

    本教程论文旨在从基础概念、深度学习算法、工具和框架，方法开发和图像分析等方面，为医学影像处理与分析领域的新手提供基础概述，并使用公共数据提供样例任务，并针对方法开发和图像分析提供了最佳实践建议，旨在助力研究者克服初学阶段的挑战。

    Apr, 2023

  • 融合跨模态幻觉 MRI 和 CT 辅助纵隔肺肿瘤分割

    本文提出一种名为 CMEDL 的交叉模态教育深度学习分割方法，通过利用低辐射剂量的计算机体层扫描图像，结合核磁共振成像技术中的软组织成像信息，用神经网络进行训练与分割，有效提高其肺肿瘤数据分割的准确性。

    Sep, 2019

  • 跨参考转换器用于少样本医学图像分割

    本文提出了基于交叉引用变压器的医学图像分割方法，能够在高维通道中更好地挖掘和增强支持特征和查询特征的相似部分，实验结果表明该模型在 CT 数据集和 MRI 数据集上均取得了良好的结果。

    Apr, 2023

  • 3D 脑部瘤分割的 3D 融合 Transformer

    该研究提出了一种基于 3D Transformer 的分割方法，采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征，通过在公共数据集中对脑肿瘤的分割实验验证，证明其优于其他目前最先进的方法。

    Apr, 2023

  • TotalSegmentator MRI: MR 图像中 59 个解剖结构的序列无关分割

    我们开发了一个开源且易于使用的分割模型，可以独立于 MR 序列，自动且鲁棒地对大多数主要解剖结构进行分割。

    May, 2024

  • 使用深度学习在 CT 和 MRI 上对软组织肿瘤进行最小交互分割

    我们开发了一种最少交互的基于深度学习的肿瘤分割方法来有效地在 CT 和 MRI 上分割不同类型的软组织肿瘤，具有对之前未见过的表型和成像模式的稳健泛化能力。

    Feb, 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

  • 基于 2.5 阶得分的模型求解 3D 非逆问题

    在医学成像领域，计算机断层扫描（CT）和磁共振成像（MRI）是至关重要的技术。针对 CT 和 MRI 中遇到的稀视角 CT 和快速 MRI 重建等不同逆问题，基于评分的模型已被证明是有效的。然而，这些模型在实现准确的三维（3D）体重建方面面临挑战。现有的基于评分的模型主要集中在重建二维（2D）数据分布上，导致重建的 3D 体积图像中相邻切片之间存在不一致性。为了解决这个问题，我们提出了一种新颖的二次半的评分模型（TOSM）。在训练阶段，我们的 TOSM 在二维空间中学习数据分布，相比直接处理 3D 体积，降低了训练的复杂度。然而，在重建阶段，TOSM 通过利用沿着矢状、冠状和横断向的互补评分来更新三维空间中的数据分布，实现更精确的重建。TOSM 的开发建立在可靠且有效的理论原理之上。通过在大规模稀视角 CT 和快速 MRI 数据集上进行广泛实验，我们的方法展示了显著的进展，并取得了解决 3D 不适定逆问题方面的最新成果。值得注意的是，我们提出的 TOSM 有效地解决了切片间不一致性问题，实现了高质量的 3D 体积重建。

    Aug, 2023

  • 使用基于分数的生成模型解决医学影像中的反问题

    本文提出了一种基于未监督方法的重建医学图像的技术，利用基于得分的生成模型捕捉医学图像的先验分布，通过一种采样方法重建医学图像，能够灵活适应不同的测量过程，相比有监督学习技术在多项医学成像任务中表现更好，并且在未知测量过程下表现显着更好。

    Nov, 2021