Jul, 2024

利用多模态CycleGAN从MRIs生成解剖准确的合成CT扫描

HTML
PDF
TL;DR本研究通过分析不同深度学习模型配置，利用生成对抗网络（GAN）和CycleGAN架构，在无监督和无配对图像的情况下从MRI生成合成CT扫描，以解决MRI与CT在医学影像学中应用方面的效率与成本问题。
发现论文，激发创造
  • 具有上下文感知的生成对抗网络医学图像合成

    本文提出了一种数据驱动的全卷积神经网络，利用对抗训练和图像梯度差异损失函数来更好地建模MRI到CT的非线性关系，进而生成与之对应的CT图像，实验证明其准确性和稳健性，并且表现优于已有的三种方法。

    Dec, 2016

  • 使用非配对数据进行深度MR到CT的合成

    本文提出了一种使用生成对抗网络（GAN）实现未配对MR和CT图像的合成的方法，可以利用其进行放射治疗等方面的治疗规划。经过定量评估，该模型能够合成接近参考CT图像的CT图像，并且能够超过使用配对MR和CT图像训练的GAN模型。

    Aug, 2017

  • 基于循环和形状一致性生成对抗网络的多模态医学体积转换和分割

    本研究提出了一种通用的交叉模态医学图像合成方法，通过端到端的三维卷积神经网络实现具有真实感的立体图像合成和分割任务，以便作为补充训练样本，进一步提高分类器的泛化能力，生成放射疗法计划所需的X-ray衰减图等。对4,496个CT和磁共振成像(MRI)心血管体积的广泛实验表明，两个任务相互促进，耦合这两个任务比单独解决它们更有利。

    Feb, 2018

  • 生成对抗网络用于MR-CT可变形图像配准

    本研究通过用cycle-GAN学习两个模态之间的强度关系，改善了CT和MR图像的配准问题，并探讨了使用cycle-GAN合成的图像减少空间信息对模式对位的影响。

    Jul, 2018

  • 探索基于深度学习的脑MRI到CT合成中的对比度泛化

    研究领域：通过深度学习及领域随机化技术生成高质量头部合成计算机断层扫描图像，提高医疗影像辅助治疗的精度。

    Mar, 2023

  • 一种基于注意力机制的医学影像生成模型

    提出了一种基于注意力机制的双对比度生成模型ADC-cycleGAN，其中加入了双对比度损失项和$K$均值算法，用于多层次医学图像的合成，实验结果表明该模型具有较高的PSNR和SSIM值。

    Jun, 2023

  • 利用具有特征提取的CycleGAN从CT扫描生成增强的合成MRI图像

    本研究介绍了一种利用合成MRI图像进行增强的单模态配准的方法，通过利用CycleGANs和特征提取器从CT扫描中生成这些合成MRI图像，该方法在多个比较度量标准上表现出优秀的结果，验证了其有效性。

    Oct, 2023

  • MR-Linac上基于循环一致性生成对抗网络的合成CT用于MR-only自适应放射治疗

    通过深度学习生成的人工合成CT图像可用于MR引导下的自适应放射治疗中的剂量计算和优化，提高治疗计划的模拟和自适应规划效率。

    Dec, 2023

  • MRI图像翻译的CycleGAN模型

    该研究提出了使用CycleGAN模型将神经图像从一种场强转化为另一种的方法，并将其与基于DCGAN结构的模型进行了比较，结果表明CycleGAN能够以较高的准确度生成合成和重构图像。

    Dec, 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