2D 实时 MRI 中下颌骨髁突的三维轨迹提取
通过引入基于梯度的优化算法的新方法,本文提出了一种用于 Cone-beam CT 运动估计的方法,该方法利用了 Cone-beam CT 的几何结构的广义导数,通过形成完全可微分的目标函数来为当前运动估计的重建空间质量评级,极大地加快了运动估计,提高了运动估计的准确性,并在临床工作流中集成了 CBCT, 解决了时效性场景中的关键挑战。
Jan, 2024
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
综合上述研究,我们提出了一种新的 “动量、射击和修正” 框架,用于在存在重复模式和大运动的情况下进行拉格朗日运动估计,能够在大运动和重复模式中准确、密集和可微分地估计 2D/3D 运动场。
Aug, 2023
本研究提出了一种框架,基于深度学习的切片预测方案和数据增强技术,可以在不使用校正算法的情况下提取运动自由的扫描投影部分,并重建出干净的短扫描成像。该框架已经成功验证,适用于广泛的运动情况的研究。
Apr, 2023
本文提出一种基于现有的基于机器学习的 2D 标记检测算法和开发的新数学算法识别成对 3D 标记的全自动牙科锥束计算机断层扫描(CBCT)和面部扫描数据的配准方法。经实验证明,该方法达到了 0.74 毫米的平均表面距离误差。
May, 2023
提出了一种利用 4D 重建方法进行心肌形态和运动状态估计的方法,通过解耦动作和形状,预测限制切片获得的稀疏点云序列的内部 / 间接形状和运动估计。
Aug, 2023
通过定量分析,我们使用自监督方法对内窥镜定位进行了定量分析,采用与高分辨率计算机断层扫描相结合的内窥镜序列和光学跟踪获取的 9 个离体标本的结果显示,所生成的重建与解剖结构高度一致,重建与 CT 分割间的平均点对网格误差为 0.91 毫米,然而,在点对点匹配场景中,即对内窥镜跟踪和导航至关重要的情况下,我们发现平均目标注册误差为 6.58 毫米。我们发现姿态与深度估计的不准确性对此误差贡献相等,并且具有更短轨迹的局部一致性序列生成更准确的重建。因此,为了改进重建并促进临床应用,实现相对相机姿态和估计深度与解剖学的全局一致性至关重要。
Oct, 2023
本文提出了一种新的几何变换方法,将解剖标志物的 X-Y 坐标映射到唇缝、唇前突出、舌身收缩位置、舌身收缩程度、舌尖收缩位置和舌尖收缩程度六个相对量度中,以改善解剖物点的准确度与鞍骨微束数据集中的嗓音区域解剖图像的映射。
May, 2023
探讨了 MRI 扫描加速和重建的优化方案,提出使用深度学习和 k 空间轨迹的联合方案,用于同时优化数据获取的时间效率和图像重建的质量,并证明其对于图像重建和分割任务,具有显著的加速因素和质量改进。
Sep, 2019
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