Jun, 2024

基于混合融合的多序列脑 MRI 综合合成统一框架

PDF
TL;DR提出了一种名为混合融合生成对抗网络（HF-GAN）的新型统一框架，通过多模式磁共振成像，使得通过补充信息来提供可靠的临床应用诊断。实验证明，该方法在数据插补任务中表现出优异的性能，并且比现有方法在定量和定性比较方面更加优越。
发现论文，激发创造
  • 使用多模式生成对抗网络进行 MRI 脉冲序列合成

    本篇研究提出了一种基于生成对抗网络的多输入、多输出的方法，通过利用多个序列的冗余信息，能够在单次扫描中生成患者缺失的磁共振成像序列，该方法在两个不同的 4 序列脑 MRI 数据集上进行了测试，并与单模态和多模态方法进行了比较，结果定量和定性上均优于其竞争方法。

    Apr, 2019

  • 应用混合融合变压器处理多序列 MRI

    通过利用多序列 MRI 图像进行医学分割，使用混合融合 Transformer 方法来提高脑肿瘤分割的效果。

    Nov, 2023

  • 可解释的深度框架：面向多对一 MRI 综合的任务特定融合

    本文提出一种可解释的任务特定综合网络，通过训练可调节的任务特定加权平均模块和任务特定注意模块，可视化每个输入序列的贡献并突出网络尝试在合成过程中完善的区域。在 BraTS2021 数据集上的实验证明了该方法在任意序列合成方面具有优异的性能，是当前最先进方法的一步之遥。

    Jul, 2023

  • 利用生成对抗网络在 BraTS 数据集中从现有模态合成缺失的 MRI 序列

    利用生成对抗网络合成缺失的磁共振成像序列，为医生提供更准确的脑肿瘤诊断和支持人工智能方法在脑肿瘤磁共振成像中的应用。

    Oct, 2023

  • 基于 Transformer 的多模态脑 MR 影像分解转换器

    本研究提出了一个基于 Transformer 的模态注入器，用于合成多模态脑 MR 图像，通过从编码器中提取模态不可知特征，然后将其转换为模态特定特征，进而捕捉所有脑结构之间的远距离关系，从而生成更真实的图像。在 BraTS 2018 数据集上进行实验的结果表明，所提出的方法在合成质量方面具有优势。此外，还对脑肿瘤分割任务和不同的条件方法进行了实验。

    Feb, 2024

  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • 基于多任务神经网络框架的多模态 MRI 数据增强 CT 图像合成

    本研究提出了一种基于增强的 Transformer U-Net 架构的多功能多任务神经网络框架，可以同时、选择性和自适应地解决医学图像中的图像分割、实值预测和跨模态转换等关键挑战。通过对人脑 MR 和 CT 图像的公共数据集进行验证，我们将合成 CT 图像的传统问题分解为不同的子任务，包括颅骨分割、HU 值预测和图像顺序重建。为了增强该框架处理多模态数据的多功能性，我们在模型中添加了多个图像通道，并进行了基于 T1 加权和 T2-Flair 图像合成的 CT 图像比较，评估了模型从形态学和像素值角度集成多模态信息的能力。

    Dec, 2023

  • 缺失模态插值的统一多模态图像合成

    该论文提出了一种新的统一的多模式图像综合方法，包括通过生成敌对网络从任意可用模式的组合中合成丢失的模态，并使用共性和差异敏感编码器及动态特征统一模块来提高图像合成质量和适应性，实验结果表明该方法在处理多种综合任务时具有优越的性能。

    Apr, 2023

  • 合成脑图像：用生成对抗模型弥合脑部映射中的差距

    使用深度卷积生成对抗网络（DCGAN）合成高保真和逼真的 MRI 图像切片，为医学影像研究提供深度学习技术的应用。

    Apr, 2024

  • 利用多模态层次表示统一脑部磁共振 - 超声合成

    MHVAE 是一种深度分层变分自动编码器，用于合成不同模态的缺失图像，并可处理输入的不完整图像集。通过引入分层潜在结构的多模态 VAE 扩展，我们采用概率模型融合了多模态图像到共同的潜在表示，并采用对抗学习生成更清晰的图像。我们在关节术中超声和磁共振图像合成的具有挑战性的问题上进行了广泛实验。相对于多模态 VAE、条件 GAN 和当前最先进的统一方法（ResViT），我们的模型表现更好，显示了使用分层潜在表示和基于原则的概率融合操作的优势。我们的代码公开可用于 https://github.com/ReubenDo/MHVAE。

    Sep, 2023