提供了一个公开可用的病理和非病理胎儿磁共振脑体积重建的数据库,覆盖 20 至 33 周的不同孕龄和 7 个不同的组织类别,以及对多种自动多组织分割算法准确性的量化评估。
Oct, 2020
使用大规模注释数据集,结合 U-Net 风格结构、注意力机制、多对比度特征学习和数据增强,开发验证了准确、高效、具有普适性的自动胎儿脑提取深度学习方法。
Oct, 2023
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
本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型,利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构,采用标签平滑方法进行多噪声训练,使输出更准确,经测试后得到了更好的分割结果,有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。
Mar, 2022
本研究旨在开发一种超声定位系统,以通过卷积神经网络回归网络预测胎儿脑部任意定向的超声截面图像在参考标准框架下的六维姿态,同时分析评估该参考框架对标准平面获取的准确性,并探究注册质量和数据扩充等因素对训练和测试结果的影响,最终使本系统的平均翻译误差和旋转误差分别达到 3.53 毫米和 6.42 度。
Jan, 2023
利用多任务深度卷积神经网络,通过最小化由分割 Dice 系数和椭圆参数的均方误差构成的复合成本函数来进行自动分割和估计胎儿头围,并将分割结果和估计结果与放射科医师注释进行匹配,实验结果表明,该方法的分割和评估精度优于现有技术。
Aug, 2019
本论文旨在研发一种基于 2D U-net 和 autocontext 的深度卷积神经网络,用于实时分割胎儿 MRI 切片中的胎儿大脑,并将其与其他两种方法进行比较,在正常和具有挑战性的测试集中取得了优异的性能表现。
Oct, 2017
利用基于注意力机制的深度学习模型结合多视图 MRI 图像,可以精确预测胎儿的孕周,在收集了 125~273 天多年龄段的胎儿脑 MRI 数据集的基础上,R2 值达到了 0.94。
Dec, 2018
本研究提出了一种名为 FetusMapV2 的新型三维胎儿姿势估计框架,通过探索互补网络结构、限制 GPU 内存等方法来克服三维胎儿姿势估计的挑战,设计了一种新的损失函数来解决对称和相似解剖结构造成的混淆问题,并提出基于形状先验的自监督学习以在线优化姿势。在大规模胎儿超声数据集上进行的大量实验证明,我们的方法优于其他竞争对手。
通过从整个扫描中聚合自动提取的生物测量数据,无需人工干预,本研究引入一种范式转变,实现了与人类水平相当的生物测量性能,以及正确估算胎儿生物测量数据的可信区间。
Jan, 2024