May, 2024

患者特定的实时无跟踪脑超声分割

PDF
TL;DR本文设计了第一个病人特定的框架，在无需跟踪的状况下，在 iUS 中进行脑肿瘤分割，通过使用合成的超声数据在术前 MR 数据中模拟虚拟 iUS 扫描，并训练了一个病人特定的实时网络来消除超声成像的模糊性和适应神经外科医生的手术目标，实验证明了该方法的有效性，适应了外科医生对手术目标的定义，并超过了非病人特定的模型、神经外科专家和高端跟踪系统。
intraoperative ultrasoundbrain surgerybrain tumor segmentationpatient-specific frameworkultrasound data
发现论文，激发创造
  • 基于 Swin UNETR 的脑肿瘤手术 MRI - 超声配准的密集误差图估计

    提出了一种基于深度学习的新框架，利用超声引导下的磁共振成像和超声图像注册技术，自动评估 MRI-iUS 注册的质量，并首次展示其在 iUS 引导下的脑肿瘤切除手术中的实际临床数据上的表现。

    Aug, 2023

  • FocalErrorNet：超声引导脑神经外科的模态配准误差估计的不确定性感知聚焦调制网络

    通过 3D 聚焦调制技术和不确定性估计，我们提出了一种基于深度学习的新技术，用于准确评估脑肿瘤手术中的 MRI-iUS 配准误差，通过 RESECT 临床数据库的开发和验证，该算法可以达到 0.59+-0.57 毫米的估计误差。

    Jul, 2023

  • 自主超声导航的心脏超声模拟

    通过模拟管道生成大量的超声图像，以供导航相关的网络训练使用，从而实现快速准确的患者特异性超声图像生成并展示该方法在网络导航相关任务中的可用性。

    Feb, 2024

  • 基于自主分割的超声波图像采集技术在关节运动情况下的应用

    该研究提出了一种基于视觉的方法，允许自主的机器人超声波肢体扫描，使用 MRI 图像的基准分析血管结构生成扫描轨迹，并利用神经网络对连续的超声帧进行空间连续性的分析以实现精确的血管结构重建及测量。

    Aug, 2022

  • LOTUS：学习优化基于任务的超声图像表示

    通过模拟介质的计算，该论文提出一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。

    Jul, 2023

  • 在脑部手术中识别术中超声图像中的可见组织：一种方法和应用

    本文提出了一种用于识别可视组织的方法，并通过检测声学阴影和建立知觉显著性的置信度图来分析超声探头与组织之间的接触。 通过现场验证和幻影数据验证了该方法的实际性能，证明了其在临床训练和优化机器人辅助超声组织扫描方面的潜在价值。

    Jun, 2023

  • 自监督超声到 MRI 胎儿脑部图像合成

    本文提出了一种基于超声图像合成类似磁共振图像的方法，该方法自监督、端到端可训练，并利用交叉模式关注和对抗性学习等技术，成功生成了逼真的胎儿 MRI 图像。

    Aug, 2020

  • 深度学习实现胎儿 MRI 中胎儿脑自动提取

    本论文旨在研发一种基于 2D U-net 和 autocontext 的深度卷积神经网络，用于实时分割胎儿 MRI 切片中的胎儿大脑，并将其与其他两种方法进行比较，在正常和具有挑战性的测试集中取得了优异的性能表现。

    Oct, 2017

  • DopUS-Net: 基于多普勒信号的质量感知机器人超声成像

    本文提出了一种利用 Doppler 效应的血管再识别模块的 DopUS-Net，用于血管病变的自动分割和血管筛选程序的实时监测，实验结果表明，这种方法可以显著提高分割结果的准确性和鲁棒性。

    May, 2023

  • 脑肿瘤分割的处理和迁移学习的优化框架

    基于 3D U-Net 模型的多模态脑肿瘤分割框架在验证数据集上实现了 Challenges 1、2 和 3 分别为 0.79、0.72、0.74 的平均病灶 Dice 分数。

    Feb, 2024