May, 2024

ResNCT: CT 尿路造影肾移液相图像合成的深度学习模型

PDF
TL;DR使用基于 Transformer 的深度学习模型，通过对非对照组和造影组图像进行训练，成功合成了肾盂造影期 CT 图像，并与真实肾盂造影期图像进行了比较，得到了相似度高的合成图像。该模型为 CT 尿路造影检查提供了一种方法，能够减少 33% 的辐射剂量。
transformer-based deep learning modelnephrographic phase ct imagesctu examinationssynthetic nephrographic imagesresidual transformer model
发现论文，激发创造
  • Res-U2Net：用于相位恢复和图像重建的未训练深度学习

    使用未经训练的 Res-U2Net 模型进行相位恢复，并利用提取的相位信息确定物体表面的变化，并生成其三维结构的网格表示。与 GDXRAY 数据集中的 UNet 和 U2Net 相比较，对 Res-U2Net 相位恢复方法的性能进行了比较。

    Apr, 2024

  • KidneyRegNet: 一种用于呼吸期 3DCT-2DUS 肾脏配准的深度学习方法

    本文提出了一种新的深度配准管道，用于自由呼吸的 3D CT 和 2D U/S 肾脏扫描，包括一个特征网络和一个基于 3D-2D CNN 的配准网络，该网络结构和训练策略通过降低语义差距等手段解决了 3D CT-2D U/S 肾脏配准时的困难。

    May, 2023

  • 基于 3D 变压器去噪扩散模型的合成磁共振成像计算机断层成像

    使用具有转换器的漫反射概率模型（MC-DDPM）将磁共振成像（MRI）转换为高质量的合成计算机断层扫描（sCT），以便于放射治疗计划，并通过消除 CT 模拟和具有误差的图像配准，从而减少患者的辐射剂量和设置不确定性。

    May, 2023

  • 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

  • 使用联合监督与对抗学习的 CT 呼吸运动合成

    提出了一种深度合成方法，通过将外部患者表面估计作为条件合成来生成伪呼吸 CT 相位，以实现运动感知的治疗计划，并展示了其能够以与重复扫描的真实 4DCT 相位相似的准确性捕捉器官和肿瘤的运动。

    Mar, 2024

  • SDR-Former：一种用于肝脏病变分类的孪生双分辨率 Transformer，使用 3D 多相成像

    提出了一种新的 Siamese Dual-Resolution Transformer (SDR-Former) 框架，特别针对不同相数的 3D 多相 CT 和 MR 成像中的肝脏病变分类，利用流体动力学 Siamese Neural Network (SNN) 处理多相成像输入，通过混合的 Dual-Resolution Transformer (DR-Former) 子架构以及新颖的 Adaptive Phase Selection Module (APSM) 实现特征提取和相特定的相互通信，从而提高了病变分类的准确性。

    Feb, 2024

  • CT 超分辨率 GAN，由相同、残差和循环学习组合限制（GAN-CIRCLE）

    本研究提出一种半监督深度学习方法，利用生成式对抗网络等技术实现从低分辨率 CT 图像到高分辨率 CT 图像的精确恢复，并在三个大规模 CT 数据集上进行了有效的定量和定性评价。

    Aug, 2018

  • 面向特征的肺部锥束 CT（CBCT）增强多任务定制感知损失的深度学习框架

    通过多任务深度学习模型，以特征为导向的深度学习框架提供了一种新的方法，用于将低质量的锥形束计算机断层成像（CBCT）图像转换成高质量的类似于 CT 的成像，从而在压制伪影的同时保留了解剖细节。

    Nov, 2023

  • 磁共振图像处理变压器的普适重建

    发展和评估了一种用于常规加速磁共振成像重建的深度学习模型。

    May, 2024

  • 基于病变感知的多相 CT 扫描肾肿瘤亚型分类的交叉相位注意力网络

    提出了一种新的病变感知跨阶段注意力网络（LACPANet），可以有效地捕捉肾脏病变在多期 CT 阶段之间的时间依赖关系，从时间序列多相 CT 图像中准确分类肾脏病变为五个主要病理亚型，并在诊断准确性方面超越了现有方法。

    Jun, 2024