基于GNN的从单视角2D投影重建体积器官形状的Deep-Motion-Net
利用深度学习模型-AnatomyNet可以自动分割头颈部CT图像中的OARs,该模型的3个核心特点包括全容积编码方式、编码层中的3D squeeze-and-excitation剩余块、以及基于Dice分数和focal loss的新损失函数。相较于之前的分割方法,AnatomyNet 显著提高了分割精度(Dice相似系数增加了3.3%),同时可在0.12秒内处理完整个头颈部CT图像,并且无需或很少需要前/后处理步骤。
Aug, 2018
介绍了用于4D动态医学图像的间隔时间体积插值网络(SVIN)。SVIN是利用三维卷积神经网络(CNN)进行无监督参数体积配准的空间-时间运动网络,并使用新的回归模块来表征功能器官结构中的周期运动循环。在实验结果中,SVIN比最先进的医疗插值方法和自然视频插值方法表现更好,并且优于最先进的无监督医疗注册方法。
Feb, 2020
本文提出了一个新颖的端到端注意力图神经网络模型,用于根据手术前参考分割和治疗期间所采集的 2D MRI 横截面图像来实时生成肝脏的三角形形状,模型使用图神经网络处理图形数据,并能够捕捉非欧几里得域中的隐藏模式。与现有方法不同的是,该方法完全在网格结构中生成形状并基于替代图像正确推断网格形状和位置。提出了两种实时方法来使肝脏网格顶点与治疗期间获得的2D图像相对应,并引入了一种新型任务特定身份信息损失来限制图神经网络中肝脏的变形。该方法的平均误差为 3.06 +- 0.7 毫米,L2 范数下的 Chamfer 距离为 63.14 +- 27.28。
Mar, 2023
本文提出了一种基于ODE的递归图像配准网络(ORRN),用于在4D医学数据中建模呼吸运动以及心跳等器官运动,具有较高的配准精度、形变可信度和计算效率,可用于放射治疗中的快速准确的呼吸运动估计或胸部针头插入的机器人运动规划,同时也可应用于其他医学图像配准任务。
May, 2023
基于生成对抗网络(GAN)的优化CT重建模型能够重建CT体积,增强解剖结构并进行器官分割,从而提供了前瞻性估计CT有效剂量和风险最小化的过程。
Jan, 2024
通过使用图神经网络构建插拔式框架,该研究旨在设计高效的深度学习模型,以在通用放疗平台上进行剂量-体积直方图(DVH)预测,改善基础深度学习模型的预测性能。
Feb, 2024
通过使用图像和大型语言模型(LLM)辅助的深度学习模型,本研究提出了一种将无结构图像转化为结构化图形的流程,并开发了一种名为DoseGNN的剂量图神经网络模型用于预测剂量体积直方图(DVH)。与放射治疗中广泛使用的DL模型相比,LLM增强的DoseGNN模型在预测上取得了Swim U-Net Transformer、3D U-Net CNN和普通MLP的平方误差的80%、76%和41.0%的效果,并通过与临床医生的自然语言交互,实现了与治疗计划的无缝调整。
Feb, 2024
利用扩散模型技术将二维图像转化为三维体积,从医学角度解决了之前研究中的两个限制,并通过像素强度随机变换训练和推断,使得扩散模型能在传统射线照片上进行可靠的深度学习
Apr, 2024