自監督對抗擴散模型應用於快速磁振造影重建
本文提出了一種名為「自監督對抗擴散磁振造影加速重建 (SSAD-MRI)」的深度學習方法，用於從欠採樣數據中重建完整的磁振造影圖像，而無需在訓練過程中使用完整的採樣數據集。
基於卷積導數運算的高效腦影像分析，用於阿茲海默症和失智症的檢測
本研究提出了一種名為索貝爾核角度差 (SKAD) 的新型影像預處理技術，作為雅可比矩陣圖的替代方案，用於量化與阿茲海默症相關的腦容量變化，並證明了其在保持準確性的同時顯著提高計算效率的潛力。
從二維超音波影像進行三維脾臟體積估計的可解釋深度學習流程：DeepSPV
本研究提出了一種名為 DeepSPV 的深度學習流程，用於從二維超音波影像準確估計三維脾臟體積，並透過合成數據驗證其有效性，相較於人類專家表現更佳，為脾臟腫大診斷提供更精確且可解釋的工具。
雙步驟配準方法提高縱向像素分析的靈敏度
採用兩步配準方法可以減少縱向纖維束像素分析中測量結果的變異性，從而提高統計效力並產生更可靠的結果，特別是在研究阿茲海默症患者白質變化時。
基於深度學習的 k 空間腦部核磁共振運動估計與基於模型的運動校正：SISMIK
本文提出了一種名為 SISMIK 的新型深度學習方法，用於校正腦部核磁共振影像中的運動偽影，該方法直接在 k 空間中估計運動參數，並採用基於模型的校正方法來避免產生幻影。
組織引導神經斷層掃描的強度場分解
本文提出了一種名為組織引導神經斷層掃描 (TNT) 的新型稀疏視圖錐束電腦斷層掃描 (CBCT) 重建方法，該方法通過將強度場分解為軟硬組織形狀和紋理組件，並利用估計的組織投影來指導訓練過程，從而顯著提高了稀疏視圖 CBCT 重建的質量和效率。
基於校正輻射高斯樣條函數的稀疏視角斷層掃描重建方法：R$^2$-Gaussian
本文提出了一種名為 R$^2$-Gaussian 的新型斷層掃描重建方法，它基於 3D 高斯樣條函數 (3DGS)，並針對其在體積重建中的固有偏差進行了校正，顯著提高了重建速度和準確性。
利用物理約束神經網路分析嬰兒灌注磁振造影：精確鎖定腦血流量
本研究提出了一種名為空間不確定性物理約束神經網路 (SUPINN) 的新型深度學習架構，用於從噪聲較大的嬰兒動脈自旋標記 (ASL) 磁振造影 (MRI) 數據中準確估計腦血流量 (CBF) 和其他血流動力學參數。
基於流的截斷去噪擴散模型用於超分辨率磁共振波譜成像
本文提出了一種基於流的截斷去噪擴散模型 (FTDDM)，用於從低分辨率磁共振波譜成像 (MRSI) 數據生成高分辨率圖像，並證明了其在提高圖像質量和速度方面的優勢。
深度神經網路在 PET/CT 影像中偵測和量化淋巴瘤病灶的綜合評估和見解
本研究全面評估了四種深度神經網路架構（UNet、SegResNet、DynUNet 和 SwinUNETR）在使用 PET/CT 影像進行淋巴瘤病灶分割方面的性能，並探討了分割準確性與臨床相關性的關係，以及觀察者間差異性帶來的挑戰。
© 2024 by Linnk AI