超解析度超聲定位顯微鏡中檢測閾值的評估：誤報和漏檢對成像品質的影響
在超解析度超聲定位顯微鏡 (ULM) 中，雖然誤報 (FP) 和漏檢 (FN) 都會影響成像品質，但與誤報相比，漏檢對結構相似性指標 (SSIM) 的影響更大，尤其是在 MB 稀疏區域和使用較高超聲頻率時，更需要精確的檢測閾值來減輕漏檢的影響。
초고해상도 초음파 지역화 현미경에서 False Positives 및 False Negatives가 검출 임계값에 미치는 영향
초고해상도 초음파 지역화 현미경(ULM) 이미지 품질은 미세 기포(MB) 감지의 정확성에 크게 좌우되며, 특히 False Positives(FP) 및 False Negatives(FN) 비율은 이미지 선명도 및 구조적 유사성에 큰 영향을 미칩니다.
超解像超音波ローカリゼーション顕微鏡における偽陽性と偽陰性が検出閾値に与える影響
超解像超音波ローカリゼーション顕微鏡（ULM）の画像品質は、マイクロバブル（MB）検出の精度、特に偽陽性（FP）と偽陰性（FN）の影響を大きく受ける。本研究では、シミュレーションデータを用いて、FPとFNがULM画像の構造的類似性指数（SSIM）とピーク信号対雑音比（PSNR）に与える影響を定量的に評価した。その結果、FPとFNはPSNRに同様の影響を与える一方で、SSIMに対してはFNの方がより大きな影響を与えることが明らかになった。
The Impact of False Positives and Negatives on Super-Resolution Ultrasound Localization Microscopy Image Quality
While both false positives (FPs) and false negatives (FNs) affect the image quality of super-resolution ultrasound localization microscopy, FNs have a more significant impact on structural similarity, especially in sparse microbubble regions and at higher frequencies.
低磁場MRIの高速化：高速でノイズに強い画像化のための圧縮センシングとAI
低磁場MRIにおける高速かつ高品質な画像再構成を実現するために、圧縮センシングやAIを用いた手法が期待されており、特に、物理学的知識を組み込んだアンローल्डAIネットワークは、従来手法やデータ駆動型AIよりも優れた性能とノイズロバスト性を示す。
連合学習パラダイムにおけるIPMNリスク評価
本稿では、複数医療機関からの膵臓MRI画像データセットを用いて、深層学習モデル（DenseNet-121）を用いたIPMNリスク分類における連合学習の有効性を検証し、データプライバシーを保護しながら、従来の中央集権型学習に匹敵する高い分類精度を達成できることを示している。
N4 바이어스 필드 보정 및 이방성 확산 전처리 기법을 사용한 MRI 기반 자동 뇌 조직 분할을 위한 확률론적 아틀라스 및 딥러닝 접근 방식 비교 연구
본 연구에서는 N4 바이어스 필드 보정 및 이방성 확산 전처리 기법을 사용하여 MRI에서 뇌 조직을 자동으로 분할하는 다양한 방법론(확률론적 아틀라스, U-Net, nnU-Net, LinkNet)을 비교 분석한 결과, 3D nnU-Net 모델이 가장 우수한 성능을 보였다.
N4バイアスフィールド補正と異方性拡散前処理技術を用いた、MRIからの自動脳組織セグメンテーションのための確率アトラスと深層学習アプローチの比較研究
MRIからの脳組織の自動セグメンテーションにおいて、N4バイアスフィールド補正と異方性拡散を用いた前処理を行った深層学習モデル、特に3D nnU-Netは、従来の確率アトラスベースの方法よりも優れた性能を発揮する。
不完全なCT再構成のための微分可能なガウス表現：従来の深層学習手法を超えた高忠実度かつ効率的なアプローチ
本稿では、深層学習を用いることなく、少ないビュー数や角度のX線投影データから高品質な3次元CT画像を再構成する、新規のガウス表現に基づく手法（GRCT）を提案する。
Weakly Supervised Deep Learning for Prostate Cancer Detection in MRI: Achieving High Performance with Limited Annotations and Generalization to Unseen Domains
This research paper introduces a weakly supervised deep learning model that achieves comparable performance to fully supervised models in detecting clinically significant prostate cancer (csPCa) from multiparametric MRI, using significantly fewer annotations and demonstrating robustness to domain shifts.
© 2024 by Linnk AI