Войти
аналитика - 醫學影像學
MRSegmentator：適用於 MRI 和 CT 掃描中 40 個類別的多模態分割模型
MRSegmentator 是一種深度學習模型，能夠準確分割 MRI 和 CT 影像中的 40 個解剖結構，為醫學影像研究提供有價值的自動化工具。
加速低場磁振造影：運用壓縮感測與人工智慧實現快速且抗噪的成像技術
低場磁振造影 (MRI) 的發展受限於低信噪比和長掃描時間，而結合壓縮感測、人工智慧和掃描重複次數優化等方法，可以有效縮短掃描時間並提升影像品質，為低場 MRI 的臨床應用開闢道路。
最大化胎兒腦組織分割中的域泛化：合成數據生成、強度聚類和真實圖像微調的作用
利用合成數據生成和領域隨機化技術，可以顯著提高胎兒腦部磁共振成像分割模型的跨領域泛化能力，尤其是在訓練數據有限的情況下。
聯邦學習範式下的 IPMN 風險評估
聯邦學習可以利用來自多個機構的數據，在不損害患者隱私的情況下，訓練出準確的 IPMN 分類模型。
基於大小約束的弱監督深度學習模型，用於多參數 MRI 前列腺癌檢測及其對未知領域的泛化能力
本文提出了一種基於大小約束的弱監督深度學習模型，用於從雙參數 MRI 中檢測臨床顯著的前列腺癌，並評估了其對未知領域的泛化能力。
人類與人工智慧協作的多模態多評分者學習方法應用於子宮內膜異位症診斷
結合多位醫師標註數據與人工智慧模型，能有效提升子宮內膜異位症診斷的準確性。
深度生成模型在 3D 醫學影像合成中的應用
深度生成模型，特別是變分自編碼器 (VAE)、生成對抗網路 (GAN) 和去噪擴散模型 (DDM)，為解決醫學影像數據稀缺問題和實現多種醫學影像分析任務（如影像合成、轉換和重建）提供了強大的工具。
FlowMRI-Net：一種適用於主動脈和腦血管應用的可泛化、自監督、物理驅動的 4D 流量 MRI 重建網路
FlowMRI-Net 是一種新型深度學習架構，可快速重建加速的 4D 流量 MRI 數據，並優於現有的壓縮感知和深度學習方法。
前壁急性心肌梗塞後遠端心肌功能降低的區域收縮期周長應變
前壁急性心肌梗塞患者的收縮期周長應變不僅在梗塞區域和邊緣區域降低,遠端心肌區域也出現功能降低。
高保真3D腦部MRI反事實生成
提出一種新的基於潛在空間的結構因果模型(LSCM),能夠生成高保真的3D腦部MRI反事實。
Продукты
© 2024 by Linnk AI