Effiziente Methode zur Umparametrisierung von MRT-Bildern mithilfe von Deep Learning
Eine neuartige Deep-Learning-basierte Methode zur effizienten Umparametrisierung von MRT-Bildern, die das Potenzial hat, die zugrundeliegenden Nichtlinearitäten zu erlernen.
Kontinuierliche neuronale Felder zur effizienten Rekonstruktion von Mehrenergie-CT-Aufnahmen
Durch die Parametrisierung der Abschwächungskoeffizienten des Objekts mit Hilfe einer neuronalen Felddarstellung wird die komplexe Berechnung von pixelgetriebenen Projektionskoeffizientenmatrizen während des Diskretisierungsprozesses der Linienintegrale vermieden. Außerdem wird eine leichtgewichtige Diskretisierungsmethode für Linienintegrale auf der Grundlage neuronaler Felder eingeführt, um die Genauigkeit der Integralapproximation während des Diskretisierungsprozesses zu verbessern.
Beschleunigte kardiale MRT-Rekonstruktion mit CMRatt: Ein aufmerksamkeitsgesteuerter Ansatz
Durch den Einsatz von Aufmerksamkeitsmechanismen kann die Qualität der kardialen MRT-Rekonstruktion deutlich verbessert werden.
Effiziente Klassifizierung von Primärkrebs der Lunge und anderen Metastasen in der Lunge mittels Feinnadel-Aspirationsbiopsie und Endobronchialultraschall unter Verwendung von Few-Shot Learning
Entwicklung eines computergestützten Diagnosesystems zur Unterstützung von Ärzten bei der Früherkennung von Lungenmetastasen, um die Wartezeit für Patienten zu verkürzen und eine frühzeitige Behandlung zu ermöglichen.
Selbstüberwachte MRT-Rekonstruktion mit nur begrenzten Auflösungsdaten
Das k-band-Verfahren ermöglicht das Training von Deep-Learning-Modellen unter Verwendung nur teilweiser, begrenzter Auflösungsdaten, die leicht zu erfassen sind. Darüber hinaus bietet k-band eine Generalisierung der Hochauflösungsrekonstruktion während der Inferenz.
Ein umfassender Datensatz von primärem Nasopharynxkarzinom-MRT mit Segmentierung multipler Modalitäten
Dieser Datensatz bietet erstmals umfassende MRT-Bilddaten von 277 Patienten mit primärem Nasopharynxkarzinom, einschließlich manuell annotierter Segmentierungen der Tumorregionen in T1-gewichteten, T2-gewichteten und kontrastmittelverstärkten T1-gewichteten Sequenzen. Dieser öffentlich zugängliche Datensatz ermöglicht Fortschritte in der Diagnose, Behandlungsplanung und Entwicklung von maschinellen Lernalgorithmen für Nasopharynxkarzinome.
CPAISD: Datensatz für akute ischämische Schlaganfälle mit nicht-informativem Nativ-CT
Dieser Datensatz bietet eine Sammlung von segmentierten Nativ-CT-Bildern von Patienten mit akuten ischämischen Schlaganfällen, einschließlich Annotationen der ischämischen Kernzone und der Penumbra. Ziel ist es, die Entwicklung von Maschinenlerning-Modellen zur schnellen Schlaganfallerkennung und -bewertung zu erleichtern.
Hochfrequenz-gesteuertes Diffusionsmodell zur Rekonstruktion von Kegelstrahl-CT mit begrenztem Winkel (LA-CBCT)
Ein Diffusionsmodell, das durch hochfrequente Informationen aus patientenspezifischen CT-Voraufnahmen konditioniert wird, kann robuste und strukturerhaltende Rekonstruktionen von LA-CBCT ermöglichen.
Virtuelle Bildgebungsversuche verbesserten die Transparenz und Zuverlässigkeit von KI-Systemen in der COVID-19-Bildgebung
Virtuelle Bildgebungsversuche bieten eine robuste Plattform für die objektive Bewertung von KI-Modellen und liefern aufschlussreiche Erkenntnisse über den Einfluss von Patienten- und physikalischen Faktoren auf die KI-Leistung.
Rekonstruktion von Photoacoustic-Tomographie-Bildern mit Score-basierten Diffusionsmodellen
Diffusionsmodelle können effektiv zur Lösung des inversen Problems der Photoacoustic-Tomographie-Bildrekonstruktion aus unzureichenden Messsignalen verwendet werden.
© 2024 by Linnk AI