May, 2024

提高自由手术 2D 超声视频中的 3D 胎儿脑姿势预测的几何变换不确定性

PDF
TL;DR我们提出了一种基于不确定性的深度学习模型，用于自动定位二维超声胎儿脑图像在三维脑中的平面位置。该方法通过学习显式预测不确定性，从而提高输入的权重，并在不同几何变换下改善性能。与现有方法相比，我们的方法在平面角度定位准确度上提高了 9%，在采样图像质量的归一化互相关上提高了 8%。此外，我们的方法在资源受限环境下具有更高的效率，参数量比集成方法少 5 倍，同时利用旋转不连续性和输出不确定性提高了对自由扫描噪声的鲁棒性。
发现论文，激发创造
  • 学习超声平面姿态回归：评估胎儿大脑中广义姿态坐标

    本研究旨在开发一种超声定位系统，以通过卷积神经网络回归网络预测胎儿脑部任意定向的超声截面图像在参考标准框架下的六维姿态，同时分析评估该参考框架对标准平面获取的准确性，并探究注册质量和数据扩充等因素对训练和测试结果的影响，最终使本系统的平均翻译误差和旋转误差分别达到 3.53 毫米和 6.42 度。

    Jan, 2023

  • FetusMapV2：增强型 3D 超声胎儿姿势估计

    本研究提出了一种名为 FetusMapV2 的新型三维胎儿姿势估计框架，通过探索互补网络结构、限制 GPU 内存等方法来克服三维胎儿姿势估计的挑战，设计了一种新的损失函数来解决对称和相似解剖结构造成的混淆问题，并提出基于形状先验的自监督学习以在线优化姿势。在大规模胎儿超声数据集上进行的大量实验证明，我们的方法优于其他竞争对手。

    Oct, 2023

  • 测量胎儿脑超声扫描中与标准平面的接近程度

    本文介绍了一种新型流水线，旨在将超声（US）平面姿态估计更接近临床应用，以实现对胎儿大脑中标准平面（SPs）的更有效导航。我们提出了一种半监督分割模型，利用标记的 SPs 和未标记的 3D US 体积切片，实现对多样化的胎儿大脑图像的可靠分割。此外，该模型还采用分类机制来精确定位胎儿大脑。我们的模型不仅能过滤掉缺少大脑的帧，还能为包含大脑的帧生成掩模，增强了平面姿态回归在临床环境中的相关性。我们侧重于从二维超声（US）视频分析进行胎儿大脑导航，并将该模型与 US 平面姿态回归网络相结合，以提供对 SPs 和非 SPs 平面的无传感器邻近检测。我们强调邻近检测对于指导超声波医生至 SPs 的重要性，相比传统方法，这种方法的优势在于允许在扫描过程中进行更早和更精确的调整。通过对由不同专业水平的超声波医生获得的真实胎儿扫描视频进行验证，我们证明了我们方法的实用可行性。我们的研究结果展示了我们方法在补充现有胎儿超声技术和推进产前诊断实践方面的潜力。

    Apr, 2024

  • 准确胎儿生物测量的超声图像分割中的不确定性建模

    这篇论文研究了超声数据中医学图像分割中的不确定性问题，着重于胎头和股骨超声图像。通过提取目标轮廓和探索精确参数测量技术，提出了一种新的方法。采用不确定性建模方法来增强分割网络的训练和测试过程，并且使用测试时间扩增（TTA）的不确定性建模实验表明 TTA 方法可以有效地解释数据的不确定性，从而支持临床医生做出有根据的决策和获得更可靠的测量结果，以提高超声图像分割的可靠性和生物计量测量的可靠性。

    Jan, 2024

  • 三维人体姿势估计的不确定性感知测试时间优化

    我们提出了一种基于不确定性的测试时间优化（UAO）框架，该框架在培训期间设计了一个有效的 2D 到 3D 网络来估计相应的 3D 姿势，同时量化每个 3D 关节的不确定性，通过优化的潜在状态来减轻过度拟合问题，并使用投影损失确保在 2D 空间中生成的姿势对高质量的优化对齐。

    Feb, 2024

  • SonoNet: 实时检测和定位自由手超声中胎儿标准扫描平面

    本研究提出了基于卷积神经网络的新方法，可以自动检测 13 个胎儿标准扫描视图并通过边界框提供胎儿结构的定位，且只需通过图像级标签进行弱监督学习，提供实时定位，检测和检索的精度表现都很高。

    Dec, 2016

  • 融合新旧技术：基于几何引导不确定性的相机相对位姿学习

    本研究提出了一种新的框架，涉及到两个预测模型之间的概率融合，旨在利用它们的互补优点进行可学习的融合， 并使用自我注意图神经网络来驱动学习，通过显式地指导几何不确定性学习 DNN 的不确定性，从而学习相对于 DNN 预测的几何解决方案。该方法达到了 DeMoN 和 ScanNet 数据集上最先进的性能表现。

    Apr, 2021

  • 多轴融合增强 MR 图像转换中的不确定性估计

    我们提出了一种新的模型不确定性量化方法 MAF，该方法依赖于从体积图像数据的多个视图中获得的互补信息的集成，应用于 3D 医学图像到图像转换的认知不确定性估计，并在合成对比增强的 T1 加权影像上应用。

    Nov, 2023

  • 实现逼真的超声胎儿脑成像合成

    本文利用 GAN 技术生成 256x256 胎儿超声横颞脑平面图像，结果表明 GAN 技术可以生成逼真的高分辨率超声图像，为将来合成其他胎儿脑平面、解剖结构和设备的工作奠定了基础。

    Apr, 2023

  • 从噪音注释中学习分割胎儿脑组织

    本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

    Mar, 2022