May, 2024

磁共振图像处理变压器的普适重建

PDF
TL;DR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。
发现论文，激发创造
  • 预训练图像处理 Transformer

    本论文主要研究了低层级计算机视觉任务（如去噪、超分辨率和去雨等），并开发了一种新的预训练模型 —— 图像处理变压器（IPT），通过 ImageNet 基准测试产生大量的损坏图像对，训练 IPT 模型并成功地在不同的图像处理任务上产生了良好的结果。

    Dec, 2020

  • Swin Transformer 用于快速磁共振成像

    采用 Swin transformer 以及 multi-channel loss 的方式用于快速 MRI 重建，在进行了多个比较和消融实验以及对多模态脑肿瘤分割的实践后，得出了良好的重建效果。

    Jan, 2022

  • 用于胸部 X 射线和胃肠道图像分类的视觉 Transformer

    使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术，在三个医学图像数据集上比较了它们的表现，并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较，在分类不同的解剖结构、所见和异常方面，我们的 Transformer 模型优于或更有效，比 CNN 基于的方法有所改进，建议将其用作算法开发的新基准算法。

    Apr, 2023

  • Instruct-IPT：基于权重调控的一体化图像处理变换器

    提出了 Instruct-IPT - 一种多合一图像处理 Transformer，可以有效地处理具有大的任务间隔的多种图像修复任务，通过权重调节来自适应特定任务的权重，通过同步训练更新通用骨干模型和特定任务的偏差，以便指导模型学习通用和特定任务知识，并通过文本指令来提高用户界面的操控。

    Jun, 2024

  • 预训练的 Transformer 金字塔网络

    本研究提出了一种基于屏蔽图像建模的完整预训练框架，统一复现与识别阶段，并通过深入的技术贡献，在图片分类、物体检测和语义分割方面实现了新的最佳结果。

    Nov, 2022

  • 基于任务变换网络的 MRI 恢复与超分辨率联合重建

    本文提出了一种基于 T$^2$Net 的 MRI 重建和超分辨率的多任务联合学习框架，将重建和超分辨率分成两个子分支，通过任务转换器实现了两个任务的共享特征学习，实验结果表明该模型在定量和定性方面都显著优于先进的序列方法。

    Jun, 2021

  • 基于 Transformer 的自蒸馏生成式先验用于脑 MRI 超分辨率

    本研究提出了一种基于 TransMRSR 的创新性两阶段脑 MRI 超分辨率方法，具有良好的细节保留和结构重建性能，其中 GAN 是提高高分辨率图像生成质量的关键模块之一。

    Jun, 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

  • MR-Transformer：基于磁共振成像的全膝关节置换预测视觉 Transformer 模型

    本研究开发了一种基于 Transformer 的深度学习模型 MR-Transformer，应用磁共振成像（MRI）进行全膝关节置换（TKR）的预测。该模型结合了 ImageNet 预训练技术，并从 MRI 图像中捕捉三维空间相关性。实验结果表明，该模型在 MRI 预测 TKR 方面具有最先进的性能，与现有的深度学习模型进行了比较。

    May, 2024

  • 使用自监督预训练的十字形窗口变换器，在双参数磁共振成像中检测临床上显著的前列腺癌

    本研究通过引入自监督预训练框架，提出了一种全新的端到端 Cross-Shaped windows (CSwin) transformer UNet 模型，用于检测临床重要的前列腺癌症，通过在大量未标记的数据上进行学习，提高数据效率和网络的泛化能力，成功地提高了模型性能。

    Apr, 2023