- DP-MDM:通过多个扩散模型实现细节保留的磁共振重建
通过使用多种扩散模型提取 k 空间域中的结构和细节特征,利用虚拟二进制模态掩码和倒金字塔结构来增强 MRI 重建质量,方法通过逐步细化逼近细节并采用级联训练数据分布来表示多尺度数据,从而有效地捕捉和呈现高分辨率的 MRI 图像。
- 使用图像内容和元数据自动分类前列腺核磁共振系列类型
通过结合图像数据和 DICOM 元数据,我们提出了一种基于深度学习的前列腺癌扫描序列分类方法,相较于仅使用元数据或图像数据,我们展示了更优越的结果。
- 基于 SAM 的脑功能磁共振成像中的脑提取模型
通过使用 Meta 发布的可用的全神经网络模型 SAM,本研究探讨了自动化分割算法在神经影像领域去除头骨伪影的高效性,结果表明了其潜在的应用价值。
- 使用非单调算子的本地单调算子学习:MnM-MOL
通过对梯度数据和卷积神经网络块的总和施加单调性约束,本研究旨在放松对卷积神经网络块的约束以提高性能,并仅将算子在图像流形附近的局部邻域内保持单调性约束,从而实现从稀疏测量恢复磁共振图像的创新方法。
- MRI 脑肿瘤分割基于信息特征向量和核字典学习
基于核字典学习算法的方法用于在磁共振图像中分割脑瘤区域,通过提取大小为 3*3 的图像块周围像素的一阶和二阶统计特征向量,训练两个分别用于健康和肿瘤组织的核字典,并通过基于相关性的样本选择技术,选择了最具信息和辨别力的特征向量子集,进而利用 - 基于解剖知识的数据增强方法增强前列腺癌检测
通过模拟前列腺的典型生理变形并生成独特病变形状,我们提出了一种新的解剖学感知变形方法,将其应用于数据增强以增加训练集中器官和肿瘤形状的多样性,从而提高计算机辅助诊断系统对前列腺癌的检测效果。
- 基于深度学习的胎儿脑 MRI 无监督分割及级联配准
基于多阶段深度学习及多图谱分割,提出了一种无监督分割方法实现胎儿脑磁共振图像的精确分割,无需标记数据进行训练,达到了与 nnU-Net 相似性能和推断时间。
- FAN-Net: 基于 Fourier 的自适应标准化方法用于跨领域中风病变分割
本研究提出了一种新的基于深度学习的颅脑疾病 MR 图像卒中病变分割算法 --FAN-Net,该方法通过自适应地调整傅里叶变换的低频幅度分量来改变风格信息,从而增强了模型对不同领域的鲁棒性。实验结果表明 FAN-Net 的性能优于基准方法。
- 使用 3D 注意力 UNet 进行脑肿瘤分割和生存预测
本文研究了使用卷积神经网络结合注意力机制进行脑肿瘤分割和预测患者生存率的方法,其中应用了一些基于图像、形状和位置信息的新型 Radiomic 特征,并发现像组织学特征直方图、病灶位置、形状以及年龄等临床特征是预测生存率的最为关键的因素。
- KDD通过计算潜在表示之间的不相似度来提高脑部 MRI 切片肿瘤检测
本篇研究使用变分自动编码器(Variational AutoEncoder,VAE)结合半监督方法,基于磁共振图像(MRI)比较健康患者和非健康患者,有效地检测肿瘤等异常情况。通过在高分辨率图片上训练模型,提高重建质量和阈值,检测效果可与使 - 变分自编码回归:应用于脑衰老分析
本文提出了一种统一的概率模型,用于学习成像数据的潜在空间并执行监督回归,利用 VAE 和神经网络回归器的联合正则化可以更精确地预测 MR 图像的年龄,实现了对人脑结构发育规律的直观解释。
- 基于混合注册的前列腺图谱分割
本文介绍了一种半自动半自动前列腺磁共振图像分割方法的初步结果,旨在将其纳入前列腺放射性治疗的导航系统中。该方法基于由 18 个磁共振检查组成的人群计算的解剖图谱的配准,并采用一种混合配准框架,将基于强度的配准与强大的点匹配算法相结合,用于解