S-CycleGAN: 机器人超声成像的语义分割增强 CT - 超声图像印射

Jun, 2024

S-CycleGAN: 机器人超声成像的语义分割增强 CT - 超声图像印射

S-CycleGAN: Semantic Segmentation Enhanced CT-Ultrasound Image-to-Image Translation for Robotic Ultrasonography

Yuhan Song, Nak Young Chong

TL;DR通过引入一种名为 S-CycleGAN 的高级深度学习模型，我们在计算机断层扫描（CT）数据的基础上生成了高质量的合成超声图像，用于增强语义分割模型的训练数据集和机器人辅助超声扫描系统的开发，提高它们准确解析真实超声图像的能力。

Abstract

ultrasound imaging is pivotal in various medical diagnoses due to its non-invasive nature and safety. In clinical practice, the accuracy and precision of ultrasound image analysis are critical. Recent advancements in de

ultrasound imaging deep learning s-cyclegan synthetic ultrasound images semantic segmentation models

发现论文，激发创造

通过 CycleGAN 将超声图像转换为伪解剖展示

通过利用神经网络的 CycleGAN 方法，从医学超声图像数据中生成伪解剖图像，提高图像质量以更好地表现病变区域，其中生成伪解剖图像在病变分割中的对比度和区分度较高，可潜在地简化诊断流程并改善临床结果。

Feb, 2022

利用 CycleGAN 和感知损失进行超声图像增强

通过开发一种 CycleGAN 模型，增强外科超声图像的感知损失方法，有效地解决了手持设备产生低质量图像的硬件限制以及非对齐输入超声图像配对的常见挑战，从而显著提高了医学图像技术。

Dec, 2023

基于循环和形状一致性生成对抗网络的多模态医学体积转换和分割

本研究提出了一种通用的交叉模态医学图像合成方法，通过端到端的三维卷积神经网络实现具有真实感的立体图像合成和分割任务，以便作为补充训练样本，进一步提高分类器的泛化能力，生成放射疗法计划所需的 X-ray 衰减图等。对 4,496 个 CT 和磁共振成像 (MRI) 心血管体积的广泛实验表明，两个任务相互促进，耦合这两个任务比单独解决它们更有利。

Feb, 2018

约束 CycleGAN 用于有效生成改进空间分辨率的超声扇形图像

通过引入 CCycleGAN 算法，本研究成功地改善了超声图像的空间分辨率和峰值信噪比，保留了结构一致性和背散射模式，并获得了更高质量的心壁运动估计。

Sep, 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

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

对抗生成学习实现无需目标模态基本事实的分割

本研究提出了一种新的端到端的合成和分割神经网络（EssNet），可以在不使用 CT 手动标签的情况下同时完成未配对的 MRI 到 CT 图像合成和 CT 脾肿大分割，相比于使用合成图像独立训练分割网络的两阶段方法（0.8801），以及使用 CT 手动标签的规范多张分割方法（0.9125）和 ResNet 方法（0.9107），EssNet 取得了显著更高的中位数 Dice 相似系数（0.9188）。

Dec, 2017

BrainVoxGen：用于超声到磁共振图像合成的深度学习框架

本研究提出了一种基于深度学习框架的方法，旨在利用 Pix2Pix GAN 模型从三维超声图像合成三维 MRI 体积。利用 3D 超声卷积数据集输入到 UNET 生成器和修补鉴别器，创建相应的 3D MRI 体积。通过对 3D 超声和 MRI 图像数据集应用鉴别器和生成器的损失函数来评估模型性能。结果表明合成的 MRI 图像与预期结果存在一定的相似性。尽管在数据集大小、计算资源和技术复杂性方面存在挑战，但该方法成功生成了具有满意相似性评分的 MRI 体积，并可作为进一步研究的基线。它突显了基于深度学习的体积合成技术在超声到 MRI 转换中的潜力，展示了其在医学应用中的可行性。需要进一步改进和探索以提高临床相关性。

Oct, 2023

DeepUniUSTransformer: 通向通用超声模型的有引导深度学院 Transformer

提出了一种名为 DeepUniUSTransformer 的新型通用超声波框架，可适应多个临床任务，包括分割任务和计算机辅助诊断任务，通过引入一个新的模块将相关信息作为提示，并优于使用单个数据集进行训练的模型和缺乏提示指导的网络的消融版本。

Jun, 2024

MRI 图像翻译的 CycleGAN 模型

该研究提出了使用 CycleGAN 模型将神经图像从一种场强转化为另一种的方法，并将其与基于 DCGAN 结构的模型进行了比较，结果表明 CycleGAN 能够以较高的准确度生成合成和重构图像。

Dec, 2023