颈动脉超声的领域自适应模型：图像协调、噪声减少及对心血管风险标记的影响

Jul, 2024

颈动脉超声的领域自适应模型：图像协调、噪声减少及对心血管风险标记的影响

A Domain Adaptation Model for Carotid Ultrasound: Image Harmonization, Noise Reduction, and Impact on Cardiovascular Risk Markers

HTML

PDF

Mohd Usama, Emma Nyman, Ulf Naslund, Christer Gronlund

TL;DR通过生成对抗网络（GAN）模型，提出了一种基于图像转换的方法来解决超声图像中的领域自适应问题，该方法能够改善图像的纹理模式和降噪，同时保持图像的解剖结构。

Abstract

deep learning has been used extensively for medical image analysis applications, assuming the training and test data adhere to the same probability distributions. However, a common challenge arises when dealing w

发现论文，激发创造

PnP-AdaNet：可插拔对抗域自适应网络及跨模态心脏分割基准

本文介绍了一种应对不同模态的医学图像的领域自适应的神经网络PnPAdaNet，并在心脏结构分割上验证了其优秀的效果，同时还提出了一个新的基准数据集。

Dec, 2018

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

基于多源对抗迁移学习的超声图像分割（受限相似度）

本论文提出了一种针对超声图像分割的多源敌对迁移学习网络，采用敌对迁移学习的思想来自适应地提取源域和目标域之间的共同特征，以利用未标注的超声数据，同时还采用多源迁移学习来融合多个源域的知识，以提高模型的学习能力和数据利用率。

May, 2023

超声图像中颈动脉斑块分割和分类的多任务学习框架

本研究提出了一种基于多任务学习框架的超声颈动脉内膜斑块分割和分类方法，通过使用区域权重和样本权重的方式，充分利用两个任务之间的相关性，并在实验中证明了该方法的有效性。

Jul, 2023

转变乳腺癌诊断：实时超声到乳房X光片的转换，实现成本效益的诊断

通过使用延时软件以及生成对抗网络（GANs），本研究旨在通过从噪音超声图像中提供类似乳腺X线摄影图像质量的实时图像，以解决超声图像在空间分辨率和噪音方面的限制。

Aug, 2023

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

医学成像的对抗性鲁棒转移学习通过领域同化

该论文旨在通过引入颜色和纹理适应以及纹理保留组件对传递学习进行域同化，以增强医学成像中模型的鲁棒性和安全性，通过系统分析了不同数据模态下传递学习在各种对抗攻击下的表现，结果显示对攻击效果的降低具有很高的效果，为生物医学应用中更可信赖的传递学习做出了贡献。

Feb, 2024

一种具有对抗去噪扩散模型的领域翻译框架，用于生成心脏超声图像的合成数据集

利用对抗去噪扩散模型和生成对抗网络，训练出具有高泛化能力的生成模型，实现医学图像域转换，生成适用于临床研究目的的超声心动图像。

Mar, 2024

超越传统限制：生成对抗网络在超声成像中的应用

这篇论文介绍了一种基于条件生成对抗网络 (cGANs) 的新型TTE超声成像方法，名为echoGAN，通过外延技术增强TTE超声成像的可视区域，同时保持高分辨率，从而有望在无创心脏导航和诊断领域取得显著进展。

May, 2024

基于扩散的多领域神经影像协调方法及解剖细节的保留

本研究解决了多中心神经影像研究中由于批次差异造成的技术变异问题，影响数据的整合和研究的可靠性。我们提出了一种基于扩散模型的新方法，该方法在图像协调中优于生成对抗网络（GAN），能够更好地保留解剖细节并有效区分批次差异。实验结果表明，该方法在两个公共神经影像数据集上表现出一致的解剖保留和优越的FID分数，具有重要的临床应用潜力。

Sep, 2024