Jun, 2024

多模态学习：通过术中 CBCT 和术前 CT 改进分割

PDF
TL;DR通过融合预操作 CT 和模拟的术中 CBCT，研究了术中图像质量和错位对分割性能的影响，结果显示融合图像能够改善分割性能，即使显著错位的预操作数据也有潜力提高分割性能。
intraoperative medical imagingcbctmultimodal learning methodsegmentationmisalignment
发现论文，激发创造
  • 多任务学习以改善使用图像重建的 CBCT 扫描的语义分割

    通过多任务学习改进 CBCT 的自动分割，探索了基于整体和基于块状的方法，发现多任务学习在大多数情况下改善了分割效果，并且我们的去噪方法进一步提高了这些结果。

    Dec, 2023

  • AI-Enabled 自动多模态融合锥形束 CT 和口内扫描用于智能化的 3D 牙骨重建和临床应用

    本研究提出一种基于深度学习的多模态分析框架（DDMA）用于三维重建牙齿 - 骨骼结构，结合 CBCT 和口内扫描，实现了高保真度和精准的牙冠 - 骨骼结构分割。DDMA 可以显著提高数字牙科模型的质量，帮助牙医做出更好的临床决策。

    Mar, 2022

  • ToothSegNet: CBCT 图像中图像退化与牙齿分割的相遇

    本研究提出了一种新的 ToothSegNet 框架，通过训练中使用生成的降质图像来提高 CBCT 图像的牙齿分割精度，该方法在计算机辅助正畸和医学治疗中有广泛应用。

    Jul, 2023

  • 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

  • 多器官分割的形状感知补充任务学习

    本研究旨在基于器官特异性形态先验学习的角度来解决全身 CT 扫描中的多器官分割问题，提出了两项互补任务 —— 距离图回归和轮廓图检测 —— 以明确编码每个器官的几何特性，并在公共数据集上评估所提出的解决方案，对比实验结果表明，互补任务学习的加入在 Dice 评分方面达到了显著改进.

    Aug, 2019

  • MR-CT 图像弱监督下的颈部宫颈癌放射治疗对齐与配准

    通过利用计算机断层扫描（CT）和磁共振成像（MRI）多模态图像的信息特征，我们提出了一种初步的空间对齐算法和弱监督多模态注册网络，有效地实现了不同深度的多模态图像的自动对齐，通过金字塔特征和代价体积来估计光流，并在多种评估指标上证明了该方法在传统体积渲染对齐方法和注册网络方面的优越性，从而证明了我们模型在多模态图像注册中的有效性。

    May, 2024

  • 基于场景坐标回归的 X 光至 CT 刚体配准

    该研究提出了一种完全自动的注册方法，基于卷积神经网络，用于将术中获得的 X 光图像与预先获得的三维模型进行对齐，从而降低术中图像中重叠解剖结构对外科医生的心理负担。实验结果表明，该方法在盆腔注册中的平均目标配准误差为 3.79 毫米，在真实的术中 X 光图像中的投影下平均目标配准误差为 9.65 毫米。

    Nov, 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

  • 实时感知技术在导管室自动化中的应用

    AutoCBCT 是一个基于视觉感知系统的融入血管造影套房中的创新工作流，通过自动定位、导航和模拟测试运行，消除了手动操作和交互，从而提高了工作效率。

    Mar, 2024

  • 腹腔镜肝切除术中术前至术中图像融合增强现实方法的客观比较

    在腔镜肝切除手术中，增强现实是一种可视化模式，能够帮助医生在腔镜图像上投影肿瘤和嵌入在肝脏内的血管，通过将其映射到术中腔镜图像中，从而实现定位。该研究主要针对 2D 和 3D 标志物自动检测和标记，以及 3D-2D 配准任务进行深入探讨，并提出了当前限制和未来研究方向。

    Jan, 2024