高效深度模型基础的光声图像重建
提出了一种基于修改的CNN结构的全密集UNet (FD-UNet)来从稀疏数据中重建2D PAT图像并比较所提出的CNN与标准 UNet在重建图像质量方面的性能。
Aug, 2018
该研究提出了嵌入模型修正的学习原始-对偶框架的方法,为光-acoustic成像的快速迭代重建提供了可行的模型,实现了实时的可扩展,具有较快推理时间和优异的重建质量。
Apr, 2023
研究开发了一个基于深度学习的框架,利用双模式光声/超声成像系统共享的临床超声探头对声速进行了重建和异常修正,以供准确的光声成像重建,在仿真的 US 数据上经过训练的网络也表现出良好的泛化能力。
Jun, 2023
利用概率模型,我们提出了一种旋转一致性约束的基于分数的生成模型(RCC-SGM),通过采样Langevin动力学和约束项之间的迭代建立PAT图像,可支持不同的测量过程,并达到更好的PSNR表现(32.29比16次随机采样的测量下的PSNR,而监督方法只有28.50)。
Jun, 2023
利用新型采样框架和先进的扩散模型,我们提出了一种从射频数据中重建图像的方法,以加速高质量图像的生成过程。通过实验评估,我们的方法在单平面波条件下胜过了具有75个平面波空间相干合成的传统延迟和求和(DAS)技术。
Dec, 2023
该研究论文提出了一种基于基础模型和零训练的方法来解决光声图像分割的任务,通过设置简单提示和将模型输出与图像对象的先验知识相结合,实现了多种任务,包括三维光声图像去除皮肤信号、双声速重建以及手指血管分割。研究结果表明,深度学习可直接应用于光声成像,无需网络设计和训练,从而实现对光声图像的高效准确分割。该论文提供了代码和样本数据集,为技术的掌握提供了全面的指导。
Apr, 2024
通过使用改良版的UNet生成器(称为FD-UNet++),我们提出了一种名为DensePANet的端到端方法,以解决从稀疏数据中重建PAT图像的问题。在各种体内和模拟数据集上评估的数量和质量结果显示了我们模型相对于其他普遍的深度学习技术的更好性能。
Apr, 2024
利用深度学习提升光声图像重建,通过混合贝叶斯卷积神经网络(Hybrid-BCNN)联合预测光声图像和分割带有误差(不确定性)预测,通过稀疏的光声图像分段实现在带有光声信号的区域中最小化损失函数以获得更好的预测结果,为光声图像选择自信度超过特定阈值的预测结果。
Jul, 2024