Longitudinal diffusion MRI analysis using Segis-Net: a single-step deep-learning framework for simultaneous segmentation and registration
Erasmus MC（伊拉斯姆斯大学医学中心）；Delft University of Technology（代尔夫特理工大学）
这项工作提出了一个用于纵向图像分析的单步的【形】深度学习框架，称为Segis-Net。为了最佳地利用纵向数据中可用的信息，该方法同时学习多类分割和非线性配准。分割和配准使用卷积神经网络建模，并同时优化它们的共同利益。提出了一种优化跨时间点的分割结构的空间对应性的目标函数。我们应用Segis-Net对3249名老年人的N=8045个纵向脑MRI数据集的白质束进行分析。与两个多级流水线相比，Segis-Net方法在配准精度、时空分割一致性和再现性方面都有显著提高。这也导致了样本量的大幅减少，而在分析特定领域的措施时，要达到相同的统计功效，就必须减少样本量。因此，我们期望Segis-Net可以作为一种新的可靠工具，支持纵向成像研究，以研究随着时间的推移大脑的宏观和微观结构变化。
2021-04-23 cs.AI cs.CV eess.IV
Interpretable simultaneous localization of MRI corpus callosum and classification of atypical Parkinsonian disorders using YOLOv5
IIIT - Bangalore（班加罗尔国际信息技术学院）；NIMHANS - Bangalore（班加罗尔国家精神卫生与神经科学研究所）
提出基于 YOLOv5 的 MRI 胼胝体检测与 APD 分类框架，并用 Eigen CAM 揭示 CC 中部体部为关键判别区域。
2023-06-01 cs.CV eess.IV
SE(3)-Equivariant and Noise-Invariant 3D Rigid Motion Tracking in Brain MRI
MIT（麻省理工学院）；Vanderbilt University（范德堡大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
提出EquiTrack混合框架，结合去噪器与SE(3)等变CNN解耦噪声处理和空间特征提取，并闭式估计刚性变换，在成人及胎儿脑MRI运动追踪中超越现有方法。
2024-06-12 cs.CV eess.IV
Simultaneous synthesis of FLAIR and segmentation of white matter hypointensities from T1 MRIs
University College London（伦敦大学学院）；Biomediq A/S（Biomediq公司）；University of Copenhagen（哥本哈根大学）
分割脑磁共振图像（MRI）中的白质病变等血管病变需要采集多个序列，例如T1加权（T1-w）-病变显示为低信号-和液体衰减反转恢复（FLAIR）序列-病变显示为高信号-。然而，大多数现有的回顾性数据集不包括FLAIR序列。现有的缺失模态填补方法将填补过程与分割过程分离。在本文中，我们提出了一种方法来连接使用卷积神经网络的模态填补和分割。我们表明，通过共同优化的填补网络和分割网络，该方法不仅产生更真实的合成FLAIR图像从T1-w图像，但也提高了分割WMH从T1-w图像。
2018-08-20 cs.CV
End-to-End Variational Networks for Accelerated MRI Reconstruction
Facebook AI Research (FAIR)（Facebook人工智能研究院（FAIR））；NYU School of Medicine（纽约大学医学院）
磁共振成像（MRI）的缓慢采集速度导致了两种互补方法的发展：同时采集解剖结构的多个视图（并行成像）和采集比传统信号处理方法所需的更少的样本（压缩感知）。虽然这些方法的组合具有允许更快的扫描时间的潜力，但是从这种欠采样的多线圈数据进行重建仍然是一个悬而未决的问题。在本文中，我们提出了一种新的方法来解决这个问题，通过学习完全端到端扩展以前提出的变分方法。我们的方法在脑部和膝关节MRI的fastMRI数据集上获得了新的最先进的结果。
2020-04-15 cs.CV eess.IV
Recognition and standardization of cardiac MRI orientation via multi-tasking learning and deep neural networks
Fudan University（复旦大学）
在本文中，我们研究了心脏MRI中的成像方向问题，并提出了一个框架，通过深度神经网络对方向进行分类以进行识别和标准化。该方法使用了一种新的多任务策略，其中心脏分割和方向识别的任务同时实现。对于MRI的多个序列和模态，我们提出了一种迁移学习策略，该策略将我们提出的模型从单一模态调整到多模态。我们将方向识别网络嵌入心脏MRI方向调整工具中，即，CMRadjustNet.我们实现了两个版本的CMRadjustNet，包括一个用户界面（UI）软件和一个命令行工具。前者支持MRI图像可视化、方向预测、调整和存储操作;后者支持批处理操作。源代码、神经网络模型和工具已通过https://zmiclab.github.io/projects.html发布和开放。
2020-11-17 cs.CV eess.IV
Improved Simultaneous Multi-Slice Functional MRI Using Self-supervised Deep Learning
University of Minnesota（明尼苏达大学）；Center for Magnetic Resonance Research（磁共振研究中心）
功能性磁共振成像（fMRI）通常用于解释整个大脑的神经活动。许多加速功能磁共振成像技术的目的是提供更好的时空分辨率。其中，同步多切片（SMS）成像已成为一种强大的策略，成为大规模研究的一部分，如人类连接组项目。然而，当SMS成像与平面内加速相结合以获得更高的加速率时，传统的SMS重建方法可能遭受噪声放大和其他伪影。最近，深度学习（DL）技术在改善MRI重建方面引起了人们的兴趣。然而，这些方法通常以监督的方式训练，这需要完全采样的参考数据，这在高加速的fMRI采集中是不可行的。不需要完全采样数据的自监督学习最近被提出，并显示出与监督学习相似的性能。然而，它只适用于面内加速度。此外，DL重建对后续fMRI分析的影响仍不清楚。在这项工作中，我们将自监督DL重建扩展到SMS成像。我们的研究结果表明，前瞻性的10倍加速的7T fMRI数据的自我监督DL减少重建噪声和抑制残留的伪影。随后的功能磁共振成像分析仍然没有改变DL处理，而改善的时间信噪比产生更高的一致性估计之间的任务运行。
2021-05-10 cs.CV cs.LG eess.IV
Distribution-Aware Replay for Continual MRI Segmentation
Technical University of Darmstadt（达姆施塔特工业大学）；Stanford University（斯坦福大学）；The Hessian Center for Artificial Intelligence: hessian.AI（黑森人工智能中心（hessian.AI））
本文提出分布感知回放策略，通过特征自编码缓解持续MRI分割中的遗忘，并利用特征分布检测模型失效，在保护隐私的同时应对分布外变化。
2024-07-30 cs.CV eess.IV
DuDoRNet: Learning a Dual-Domain Recurrent Network for Fast MRI Reconstruction with Deep T1 Prior
Yale University（耶鲁大学）；Chinese Academy of Sciences（中国科学院）；Peng Cheng Laboratory（鹏城实验室）
具有多个协议的MRI通常用于诊断，但是其遭受长的采集时间，这产生易受运动伪影影响的图像质量。为了加速，已经提出了各种方法来从欠采样的k空间数据重建完整图像。然而，这些算法是不够的，有两个主要原因。首先，在图像域中产生的混叠伪影是结构性的和非局部的，因此单独的图像域恢复是不够的。其次，尽管MRI在一次检查期间包括多个协议，但几乎所有以前的研究都只采用使用高度失真的欠采样图像作为输入的单个协议的重建，使得使用完全采样的短协议（例如T1）作为补充信息的研究非常不足。在这项工作中，我们提出了一个双域递归网络（DuDoRNet）与深T1之前嵌入，同时恢复k空间和图像，以加速采集MRI与长成像协议，以解决上述两个限制。具体而言，扩张残差密集网络（DRDNet）是自定义的双域从欠采样的MRI数据。对不同采样模式和加速率的大量实验表明，我们的方法始终优于最先进的方法，并可以重建高质量的MRI。
2020-04-08 cs.CV eess.IV
PSIGAN: Joint probabilistic segmentation and image distribution matching for unpaired cross-modality adaptation based MRI segmentation
Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）
我们开发了一种新的联合概率分割和图像分布匹配生成对抗网络（PSIGAN），用于无监督域自适应（UDA）和磁共振（MRI）图像的多器官分割。我们的UDA方法使用一种新的结构模型将图像之间的相互依赖性及其分割作为联合概率分布进行建模。该结构化神经网络通过将生成的伪MRI与由同时训练的分割子网络产生的概率分割相结合来计算关注对抗性损失的结构。分割子网络使用由生成器子网络产生的伪MRI来训练。这导致生成器和分段子网络的循环优化，这些子网络作为端到端网络的一部分被联合训练。对四种不同的MRI序列进行了广泛的实验和比较，共257次扫描，用于生成多器官和肿瘤分割。实验包括：（a）20个T1加权（T1 w）同相mdixon和（b）20个T2加权（T2 w）腹部MRI，用于分割肝脏、脾脏、左肾和右肾;（c）162个T2加权脂肪抑制头颈部MRI（T2 wFS），用于腮腺分割;以及（d）75个T2 w MRI，用于肺肿瘤分割。我们的方法在T1 w和T2 w上实现了腹部器官的总体平均DSC为0.87和0.90，腮腺的T2 wFS为0.82，肺部肿瘤的T2 w MRI为0.77。
2021-07-18 cs.CV eess.IV
CAS-Net: Conditional Atlas Generation and Brain Segmentation for Fetal MRI
Imperial College London（伦敦帝国学院）；King’s College London（伦敦国王学院）；FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Technical University of Munich（慕尼黑工业大学）
胎儿磁共振成像（MRI）用于产前诊断和评估早期大脑发育。不同脑组织的精确分割是几个脑分析任务中的重要步骤，例如皮层表面重建和组织厚度测量。然而，胎儿MRI扫描容易出现运动伪影，这会影响手动和自动分割技术的正确性。在本文中，我们提出了一种新的网络结构，可以同时生成条件图谱和预测脑组织分割，称为CAS-Net。条件图谱提供了解剖先验，可以约束分割连接，尽管强度值的异质性所造成的运动或部分体积效应。所提出的方法进行了培训和评估的253名受试者从开发人类连接组计划（dHCP）。实验结果表明，该方法可以生成边界清晰、形状变化小的条件性年龄图谱。它还分割了胎儿MRI的多类别脑组织，对于选定的9个组织标签，具有高的整体Dice相似系数（DSC）$85.2\%$。
2022-05-17 cs.CV eess.IV
GrappaNet: Combining Parallel Imaging with Deep Learning for Multi-Coil MRI Reconstruction
Facebook AI Research (FAIR)（Facebook人工智能研究院（FAIR））；NYU School of Medicine（纽约大学医学院）
磁共振图像（MRI）采集是一个固有的缓慢过程，这刺激了两种不同加速方法的发展：同时采集多个相关样本（并行成像）和采集比传统信号处理方法所需的样本更少的样本（压缩感知）。这两种方法提供了互补的方法来加快MRI采集的速度。在本文中，我们提出了一种将传统并行成像方法集成到深度神经网络中的新方法，即使在高加速因子下也能够生成高质量的重建。所提出的方法，称为GrappaNet，通过首先将重建问题映射到一个更简单的问题来执行渐进重建，该问题可以通过使用神经网络的传统并行成像方法来解决，然后应用并行成像方法，最后用另一个神经网络微调输出。整个网络可以端到端地进行训练。我们目前的实验结果，最近发布的fastMRI数据集，并表明，GrappaNet可以生成更高质量的重建比竞争的方法为$4\times$和$8\times$加速。
2020-03-30 cs.CV eess.IV
A Novel Deep Learning Tractography Fiber Clustering Framework for Functionally Consistent White Matter Parcellation Using Multimodal Diffusion MRI and Functional MRI
University of Electronic Science and Technology of China（电子科技大学）；Harvard Medical School（哈佛医学院）；Boston University（波士顿大学）
本文提出一种名为DMVFC的深度学习框架，联合dMRI和fMRI数据，整合纤维几何与功能信号，实现功能一致的白质分区，性能优于现有方法。
2024-12-14 cs.CV eess.IV
End-to-End Sequential Sampling and Reconstruction for MRI
University of Texas at Austin（德克萨斯大学奥斯汀分校）；California Institute of Technology（加州理工学院）；Harvard Medical School（哈佛医学院）；Massachusetts Institute of Technology（麻省理工学院）
加速MRI通过在测量$κ$ -空间中进行二次采样来缩短采集时间。从二次采样测量恢复高保真解剖图像需要两个组件之间的密切合作：（1）选择二次采样模式的采样器和（2）从不完整测量恢复图像的重建器。在本文中，我们利用MRI测量的顺序性质，并提出了一个完全可微的框架，该框架可以同时联合学习顺序采样策略和重建策略。这种共同设计的框架能够在采集过程中进行调整，以便为特定目标捕获最具信息量的测量结果。在fastMRI膝关节数据集上的实验结果表明，该方法成功地利用了采样过程中的中间信息，以提高重建性能。特别是，我们提出的方法可以优于目前的国家的最先进的学习$κ$空间采样基线超过96%的测试样本。我们还调查了序贯抽样和协同设计策略的个人和集体利益。
2022-07-17 cs.CV eess.IV
PUERT: Probabilistic Under-sampling and Explicable Reconstruction Network for CS-MRI
Peking University Shenzhen Graduate School（北京大学深圳研究生院）；Peng Cheng Laboratory（鹏城实验室）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Tsinghua University（清华大学）
压缩感知MRI（CS-MRI）旨在从亚奈奎斯特采样k空间数据重建去混叠图像以加速MR成像，因此提出两个基本问题，即，在哪里取样以及如何重建为了同时处理这两个问题，我们提出了一种新的端到端概率欠采样和可解释重建网络，称为PUERT，共同优化采样模式和重建网络。建议的采样子网不是学习确定性掩码，而是探索最佳概率子采样模式，该模式在每个可能的采样点描述独立的伯努利随机变量，从而保持鲁棒性和随机性，以实现更可靠的CS重建。在后向传播过程中引入动态梯度估计策略，逐步逼近二值化函数，有效地保留了梯度信息，进一步提高了重建质量。此外，在我们的重建子网，我们采用了基于模型的网络设计方案，具有高效率和可解释性，这是有助于进一步开发的采样子网。在两个广泛使用的MRI数据集上进行的大量实验表明，我们提出的PUERT不仅在定量指标和视觉质量方面取得了最先进的结果，而且还产生了一个子采样模式和一个重建模型，这两个模型都是针对训练数据定制的。
2022-04-24 cs.CV eess.IV
United adversarial learning for liver tumor segmentation and detection of multi-modality non-contrast MRI
Shandong Normal University（山东师范大学）；Western University（韦仕敦大学）
利用多模态非对比剂磁共振成像（NCMRI）对肝脏肿瘤（血管瘤和肝细胞癌（HCC））进行同步分割和检测对于临床诊断至关重要。然而，由于NCMRI图像中HCC信息的不可见性或不充分性，使得肝肿瘤特征提取困难;多模态NCMRI图像特征的多样性，使得特征融合和选择困难; NCMRI图像中血管瘤和HCC之间缺乏特异性信息，使得肝肿瘤检测困难，这仍然是一项具有挑战性的任务。在这项研究中，我们提出了一个联合对抗学习框架（UAL），用于使用多模态NCMRI同时进行肝脏肿瘤分割和检测。UAL首先利用多视图感知编码器来提取用于肝脏肿瘤分割和检测的多模态NCMRI信息。在该编码器中，一个新的边缘相异性特征金字塔模块的设计，以促进互补的多模态特征提取。其次，利用新设计的融合选择通道对多模态特征进行融合，并做出特征选择决策。然后，提出的坐标共享与填充机制集成了分割和检测的多个任务，使多个任务能够在一个时间内执行联合对抗学习。最后，一种创新的多阶段放射组学引导的神经网络利用明确和具体的肿瘤信息，通过对抗性学习策略来提高多任务性能。在255名临床受试者的相应多模态NCMRI（即T1 FS预增强MRI、T2 FS MRI和DWI）和三期对比增强MRI中确认了UAL。实验结果表明，UAL在肝脏肿瘤的临床诊断中具有很大的潜力。
2022-01-07 cs.AI cs.CV eess.IV
Motion correction of dynamic contrast enhanced MRI of the liver
Center for Image Sciences, University Medical Center Utrecht, the Netherlands（荷兰乌得勒支大学医学中心影像科学中心）；Department of Radiology, University Medical Center Utrecht, the Netherlands（荷兰乌得勒支大学医学中心放射科）
动态对比增强磁共振图像（DCE-MRI）的运动校正是一项具有挑战性的任务，由于图像外观的变化。在本研究中，使用基于主成分分析（PCA）的度量标准1对肝脏的临床DCE MRI进行了评价。分组配准将图像变换到公共空间，而不是像传统的成对方法那样变换到参考体积，并且同时计算所有体积上的相似性度量。这种groupwise注册方法相比，成对的方法，使用互信息度量。包括8例患者腹部的临床DCE MRI。每例患者的肝脏中的一个病变在所有时间图像中手动分割（N=16）。比较配准图像的准确性、变换后的空间和时间平滑度以及病变体积变化。与成对方法或无配准相比，分组配准提供了更好的对齐。在我们最近开始的临床研究中，由三名放射科医生对9名患者的腹部进行了分组注册临床DCE MRI评分。分组配准提高了对线的评估质量。放射科医生的阅读时间的增加估计从没有差异到几乎一分钟不等。还观察到读者信心略有增加。配准对于运动很少的图像没有附加值。总之，DCE MR图像的分组配准比成对配准更好，这有利于临床评估。
2019-08-22 cs.CV eess.IV
Exploring Kinetic Curves Features for the Classification of Benign and Malignant Breast Lesions in DCE-MRI
Shenzhen University Medical School（深圳大学医学院）；School of Biomedical Engineering Shenzhen University（深圳大学生物医学工程学院）
本文提出一种全自动DCE-MRI乳腺良恶性病变分类方法，融合动力学曲线动态特征与影像组学三维特征，在298个肿瘤上实现AUC 0.94。
2024-05-10 cs.CV eess.IV
Self-Supervised Deep Active Accelerated MRI
EPFL（洛桑联邦理工学院）；University of Victoria（维多利亚大学）
我们建议同时学习采样和重建磁共振图像（MRI），以最大限度地提高重建质量给定有限的样本预算，在自我监督的设置。与现有的深度方法不同，这些方法只关注重建给定数据，因此是被动的，我们通过在单个深度学习框架内考虑数据采集和重建过程，超越了当前的技术水平。当我们的网络学习获取数据时，网络本质上是活跃的。为了做到这一点，我们同时训练两个神经网络，一个专用于重建，另一个用于渐进采样，每个都有一个自动生成的监督信号将它们连接在一起。这两个监督信号是通过蒙特卡罗树搜索（MCTS）创建的。MCTS返回比当前采样网络更好的采样模式，因此，最终重建效果更好。采样网络被训练为使用先前的采样网络来模仿MCTS结果，从而被增强。在给定MCTS采样模式的情况下，重建网络被训练以给出最高的重建质量。通过这一框架，我们能够训练这两个网络，而无需对抽样进行任何直接监督。
2019-01-14 cs.CV
Generative diffeomorphic atlas construction from brain and spinal cord MRI data
University College London（伦敦大学学院）；University Hospital Zurich（苏黎世大学医院）；University of Zurich（苏黎世大学）
在本文中，我们将重点关注的潜力和发展的综合大脑和脊髓建模框架处理MR神经影像数据的挑战。这项工作的目的是探索如何分层生成模型的成像数据，同时捕获分布的信号强度和变异性的解剖形状在一个大的人口的主题，可以定量调查，在体内，中枢神经系统（CNS）的形态。事实上，所提出的贝叶斯方法的通用性（其扩展了SPM软件中实现的分割方法的分层结构）允许同时处理相对于CNS的不同区室（即，脑和脊髓）的信息，而不必求助于器官特异性解决方案（例如，仅针对大脑或仅针对脊髓优化的工具），这不可避免地更难整合和概括。
2017-07-05 cs.CV
Contrast-Agnostic Groupwise Registration by Robust PCA for Quantitative Cardiac MRI
Delft University of Technology（代尔夫特理工大学）
本文提出将基于CNN的分组配准主干集成到rPCA框架中，利用低秩定量映射与稀疏残余运动分解，解决心脏定量MRI中对比度变化及心、呼吸运动导致的配准难题。
2023-11-03 cs.CV eess.IV
Multi-scale MRI reconstruction via dilated ensemble networks
The University of Queensland（昆士兰大学）
本文提出一种基于扩张卷积和密集残差连接的多尺度MRI重建网络，在保持分辨率的同时高效捕获全局与局部特征，并探索复值版本以利用相位信息，实值模型以三倍效率超越现有方法。
2023-11-30 cs.CV eess.IV
Enhanced detection of fetal pose in 3D MRI by Deep Reinforcement Learning with physical structure priors on anatomy
MIT（麻省理工学院）；Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）
胎儿MRI严重受限于不可预测的和实质性的胎儿运动，这会导致图像伪影并限制可行的诊断图像对比度集。目前运动伪影的缓解主要通过快速、单次激发MRI和回顾性运动校正来执行。在MRI期间实时的估计胎儿姿势有利于检测和减轻胎儿运动伪影的前瞻性方法，其中推断的胎儿运动与具有低延迟决策的在线切片处方相结合。深度强化学习（DRL）的发展为胎儿标志点检测提供了一种新的方法。在这个任务中，15个代理被部署到DRL同时检测15个地标。优化是具有挑战性的，在这里，我们提出了一个改进的DRL，结合先验的胎儿身体的物理结构。首先，我们使用图形通信层，以改善代理之间的通信的基础上，每个节点代表一个胎儿的身体地标图。此外，基于智能体和诸如胎儿肢体的物理结构之间的距离的额外奖励被用于充分利用物理结构。在3mm分辨率的体内数据库上对该方法的评估表明，在地面真实值的10mm内的界标估计的平均准确度为87.3%，和平均误差为6.9毫米。建议的DRL胎儿姿态标志搜索表明，胎儿运动的在线检测，指导真正的临床实用性。运动伪影的时间缓解以及孕妇MRI期间的健康诊断。
2020-07-16 cs.CV eess.IV
Dynamic Cardiac MRI Reconstruction Using Combined Tensor Nuclear Norm and Casorati Matrix Nuclear Norm Regularizations
Harbin Institute of Technology（哈尔滨工业大学）
低秩张量模型已被应用于加速动态磁共振成像（dMRI）。最近，一种新的基于t-SVD的张量核范数被提出并应用于张量完备化。受张量核范数（TNN）和Casorati矩阵核范数（MNN）的不同性质的启发，我们引入了一个组合的TNN和Casorati MNN正则化框架来重建dMRI，我们称之为TMNN。该方法同时利用了动态MR数据的空间结构和时间相关性。交替方向乘子法（ADMM）可以有效地解决优化问题。为了进一步提高计算效率，我们提出了一种笛卡尔采样下的快速算法。基于心脏电影MRI和灌注MRI数据的数值实验表明，性能优于传统的Casorati核范数正则化方法。
2022-06-02 cs.CV cs.LG eess.IV
Neural Pre-Processing: A Learning Framework for End-to-end Brain MRI Pre-processing
Cornell University（康奈尔大学）
头部MRI预处理涉及将原始图像转换为标准坐标空间中的强度归一化的颅骨剥离的大脑。在本文中，我们提出了一种端到端的弱监督学习方法，称为神经预处理（NPP），用于通过神经网络同时解决所有三个子任务，在没有单个子任务监督的情况下在大型数据集上训练。由于整体目标是高度欠约束，我们明确解开几何保持强度映射（skull-stripping和强度归一化）和空间变换（空间归一化）。定量结果表明，我们的模型优于只处理单个子任务的最先进的方法。我们的烧蚀实验证明了我们为NPP选择的架构设计的重要性。此外，NPP为用户提供了在推理时间控制这些任务中的每一个的灵活性。代码和模型可在\url{https://github.com/Novestars/Neural-Pre-processing}上免费获得。
2023-03-21 cs.CV cs.LG eess.IV
Simultaneous Image Quality Improvement and Artefacts Correction in Accelerated MRI
Translational Radiomics, Luxembourg Institute of Health, Luxembourg（转化放射组学，卢森堡健康研究所，卢森堡）；In-Vivo Imaging Platform, Luxembourg Institute of Health, Luxembourg（活体成像平台，卢森堡健康研究所，卢森堡）；Faculty of Electrical Engineering and Communication, Brno University of Technology, Czech Republic（电气工程与通信学院，布拉格技术大学，捷克共和国）；Institute of Scientific Instruments of the Czech Academy of Sciences, Czech Republic（捷克科学院科学仪器研究所，捷克共和国）
USArt模型通过双子模型方法，同时提高加速MRI图像质量并校正噪声和运动伪影，实现5倍加速和伪影校正。
2025-11-28 cs.AI cs.CV physics.med-ph
Robust Simultaneous Multislice MRI Reconstruction Using Slice-Wise Learned Generative Diffusion Priors
College of Health Science and Environmental Engineering, Shenzhen Technology University（深圳科技大学健康科学与环境工程学院）；University Medical Center Göttingen（哥廷根大学医学中心）；Guangdong-Hongkong-Macau CNS Regeneration Institute, Key Laboratory of CNS Regeneration (Jinan University)-Ministry of Education, Jinan University（广东-港澳-澳门神经科学再生研究所，神经科学再生重点实验室（暨南大学）-教育部，暨南大学）；Department of Radiology, The First Hospital of Tsinghua University（清华大学第一医院放射科）；Center for Biomedical Imaging Research, Department of Biomedical Engineering, School of Medicine, Tsinghua University（清华大学生物医学成像研究中心，生物医学工程系，医学院）；Key Laboratory for Biomedical Engineering of Ministry of Education, College of Biomedical Engineering and Instrument Science, Zhejiang University（教育部生物医学工程重点实验室，生物医学工程与仪器科学学院，浙江大学）；Department of Endocrinology and Metabolism, Sir Run Run Shaw Hospital, Zhejiang University School of Medicine（浙江大学医学院邵逸夫医院内分泌科）；Lab of Molecular Imaging and Medical Intelligence, Department of Radiology, Longgang Central Hospital of Shenzhen (Shenzhen Clinical Medical College, Guangzhou University of Chinese Medicine（分子成像与医学智能实验室，放射科，深圳龙岗中心医院（深圳临床医学院，广州中医药大学；龙岗临床学院，汕头大学医学院））；Longgang Clinical Institute of Shantou University Medical College)
ROGER通过深度生成先验和低频增强模块，实现鲁棒的同时多切片MRI重建，提升解剖和功能成像质量。
2025-12-15 cs.AI cs.CV eess.IV
Trustworthy MRI Reconstruction via Bayesian Uncertainty Quantification with Sparsity Prior Models
Department of Computer Science, University of Exeter（埃克塞特大学计算机科学系）；UCL Hawkes Institute, Department of Computer Science, University College London（伦敦大学学院计算机科学系霍克斯研究所）
提出一种基于压缩感知磁共振图像重建的不确定性量化框架，采用贝叶斯线性逆问题建模，利用稀疏先验（总变分或小波变换）和分裂增广吉布斯采样器进行MCMC采样，在单线圈和多线圈数据集上验证了优于优化方法和深度学习方法的图像重建与不确定性量化性能。
2026-06-23 cs.CV stat.AP
Knee Cartilage Segmentation Using Diffusion-Weighted MRI
New York University School of Medicine（纽约大学医学院）；New York University（纽约大学）
关节软骨的完整性是骨关节炎（OA）早期诊断的一个重要方面。许多新的MRI技术有可能评估软骨细胞外基质的成分变化。在这些技术中，软骨的扩散张量成像（DTI）提供了对固体基质的两个主要成分：胶原结构和蛋白多糖浓度的同时评估。与任何其他组合MRI技术一样，DTI需要人类专家手动执行分割。手动分割容易出错且耗时（每个受试者需$\sim$几个小时）。我们使用修改后的U-Nets的集合来自动执行此分割任务。我们将我们的模型与人类专家测试-重测分割进行基准测试，并得出结论，使用骰子得分作为比较指标，我们的模型对于髌骨和胫骨软骨更优越。最后，我们做了一个扰动分析，以了解我们的模型对我们输入的不同分量的敏感性。我们还为预测提供了置信度图，以便放射科医生可以根据需要调整模型预测。该模型已在实践中得到应用。总之，使用改进的U-网对DW-MRI图像进行软骨分割的准确性优于人类分割器。代码可在https://github.com/aakashrkaku/knee-cartilage-segmentation上获得
2019-12-04 cs.CV eess.IV q-bio.QM
Eddeep: a deep-learning framework for fast eddy-current distortion correction in diffusion MRI
Hawkes Institute（霍克斯研究所）；University College London（伦敦大学学院）；Institut Pasteur（巴斯德研究所）；Université Paris Cité（巴黎西岱大学）；AINOSTICS ltd.（AINOSTICS有限公司）；Fudan University（复旦大学）；Université Libre de Bruxelles (ULB)（布鲁塞尔自由大学）；University of Liège (ULiège)（列日大学）
本研究针对dMRI中涡流畸变校正方法计算成本高的问题，提出深度学习框架Eddeep，其通过两阶段网络实现与FSL Eddy相当的校正质量，同时大幅缩短推理时间，为大规模研究和临床部署提供支持。
2026-10-23 cs.CV
MRI2Qmap: multi-parametric quantitative mapping with MRI-driven denoising priors
MRI2Qmap通过整合物理模型与深度学习先验，实现无需地面真实数据的高效定量MRI重建，提升高加速成像性能。
2026-03-11 cs.CV cs.LG physics.med-ph
Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis using MRI Images and Ensemble Bagging Classifier
National Institute of Technology Silchar（西尔查尔国家理工学院）；Indian Institute of Technology, Indore（印多尔印度理工学院）
随着神经影像学方法的发展，人们对精神分裂症（SCZ）早期脑结构的改变进行了深入的研究。本文的目的是一个有效的分类SCZ在2个不同的类：认知正常（CN），SCZ使用磁共振成像（MRI）图像。提出了一种基于轻量级3D卷积神经网络（CNN）的MRI图像SCZ诊断框架。在所提出的模型中，轻量级的3D CNN用于同时从3D体积MRI扫描中提取空间和光谱特征，并且使用集成装袋分类器进行分类。采用包围袋分类器有助于防止过拟合，减小方差，提高模型的精度。所提出的算法进行了测试，从三个基准数据库作为开源：MCICShare，COBRE，和fBRINPhase-II的数据集。这些数据集经过预处理步骤，将所有MRI图像配准到标准模板并减少伪影。与现有技术相比，该模型实现了最高的准确率92.22%，灵敏度94.44%，特异度90%，精确度90.43%，召回率94.44%，F1评分92.39%和G均值92.19%。性能指标证明了使用该模型来帮助临床医生自动准确诊断SCZ。
2022-11-05 cs.CV cs.LG eess.IV
Just-Enough Interaction Approach to Knee MRI Segmentation: Data from the Osteoarthritis Initiative
Iowa Institute for Biomedical Imaging（爱荷华生物医学影像研究所）；The University of Iowa（爱荷华大学）
最先进的自动分割算法不是100%准确的，特别是在分割难以解释的数据集时，如严重骨关节炎（OA）。我们提出了一种新的交互式方法，称为刚刚足够的互动（JEI），它增加了一个快速的校正步骤的自动分层最优图分割的多个对象和表面（LOGISMOS）。在膝关节MRI中进行LOGISMOS分割后，JEI用户交互不会直接修改骨骼和软骨的边界表面。相反，底层图节点的局部成本被修改，并且图被重新优化，从而提供全局最优的校正结果。将JEI校正结果与自动结果进行比较时，观察到性能显著改善（$p \ll 0.001$）。该算法从3D JEI扩展到纵向多3D（4D）JEI，允许同一患者多个时间点的同时可视化和交互。
2019-03-10 cs.CV
DMVFC: Deep Learning Based Functionally Consistent Tractography Fiber Clustering Using Multimodal Diffusion MRI and Functional MRI
本文提出DMVFC深度学习框架，融合多模态dMRI和fMRI的几何、微结构与功能信号，实现功能一致的白质纤维聚类，性能优于现有方法。
2025-11-03 cs.AI cs.CV eess.IV
Brain MRI-to-PET Synthesis using 3D Convolutional Attention Networks
Stanford University（斯坦福大学）；GE Healthcare（通用电气医疗集团）；University of California Riverside（加州大学河滨分校）
脑血流量（CBF）的准确定量对于诊断和评估广泛的神经系统疾病是必不可少的。使用放射性标记水（15 O-水）的正电子发射断层扫描（PET）被认为是测量人体CBF的金标准。然而，PET成像由于其高昂的成本和使用通常需要现场回旋加速器生产的短寿命放射性药物示踪剂而没有广泛使用。相比之下，磁共振成像（MRI）更容易获得，并且不涉及电离辐射。这项研究提出了一种具有注意力机制的卷积编码器-解码器网络，用于从多序列MRI扫描中预测金标准15 O-水PET CBF，从而消除了对放射性示踪剂的需求。预测模型的输入包括几种常用的MRI序列（T1加权、T2-FLAIR和动脉自旋标记）。在一组126名受试者中使用5倍交叉验证对模型进行训练和验证，该组受试者包括健康对照组和脑血管疾病患者，所有受试者均同时接受150美元水PET/MRI。结果表明，这样的模型可以成功地合成高质量的PET CBF测量值（平均SSIM为0.924，PSNR为38.8 dB），并且与并发和以前的PET合成方法相比更准确。我们还证明了所提出的算法的临床意义，通过评估协议识别异常低CBF的血管领土。这种方法可以在由于辐射问题、缺乏访问或后勤挑战而不能进行PET成像的较大队列中实现更广泛和准确的CBF评估。
2022-11-22 cs.CV cs.LG eess.IV
PILOT: Physics-Informed Learned Optimized Trajectories for Accelerated MRI
Technion（以色列理工学院）；Waterloo University（滑铁卢大学）
磁共振成像（MRI）一直被认为是诊断医学成像的“黄金标准”之一。然而，长的采集时间使得MRI易于产生运动伪影，更不用说它们对MRI检查的相对高成本的不利贡献。在过去的几十年里，多项研究都集中在开发用于加速MRI扫描采集的物理和后处理方法上。然而，这两种方法迄今为止是分开处理的。另一方面，最近的工作在光学计算成像已经证明了越来越成功的并行学习为基础的设计数据采集和图像重建计划。这样的方案已经证明了相当大的有效性，导致明显更短的采集时间和改进的图像重建质量。受此初步成功的启发，在这项工作中，我们提出了一种新的方法来学习最佳方案的联合采集和重建的MRI扫描，同时进行的优化方面的时间效率的数据采集和重建的质量。为了具有实用价值，以一般k空间轨迹的形式对方案进行编码，其相关联的磁梯度被约束为服从一组预定义的硬件要求（如根据例如，磁梯度的峰值电流和最大转换速率）。考虑到这一前提条件，我们提出了一种新的算法，用于使用具有可微分前向和反向传播算子的深度神经网络对联合采集重建管道进行端到端训练。我们证明了其有效性的图像重建和图像分割任务，报告的加速因素以及这些任务的质量方面的重大改进。
2021-04-13 cs.CV eess.IV physics.med-ph
IMJENSE: Scan-specific Implicit Representation for Joint Coil Sensitivity and Image Estimation in Parallel MRI
提出IMJENSE，一种基于扫描特定隐式神经表示的并行MRI重建方法，通过神经网络和多项式联合估计MRI图像与线圈灵敏度，在极有限校准数据下实现高倍加速的稳健重建。
2023-11-21 cs.CV cs.LG eess.IV
SSPFormer: Self-Supervised Pretrained Transformer for MRI Images
Qilu University of Technology（青岛科技大学）；Second Hospital of Shandong University（山东大学第二医院）；Shandong Normal University（山东师范大学）
SSPFormer通过自监督预训练和反频率投影掩码等方法，提升MRI图像处理的领域适应性和鲁棒性，实现分割、超分辨率和去噪任务的高性能表现。
2026-01-19 cs.CV
HAMLET: Hierarchical Harmonic Filters for Learning Tracts from Diffusion MRI
Medical Center, Freiburg University（弗莱堡大学医学中心）；Kyoto University（京都大学）
在这项工作中，我们提出了HAMLET，一种新的道学习算法，训练后，映射原始扩散加权MRI直接到图像上，同时表明道的方向和道的存在。基于扩散MRI数据的纤维束自动学习是一个相当新的想法，它试图克服基于图谱的技术的局限性。哈姆雷特采取了这样一种方法。与当前机器学习的趋势不同，HAMLET只有少量的自由参数HAMLET基于球面张量代数，它允许对问题进行平移和旋转协变处理。HAMLET基于卷积和非线性的重复应用，这些都尊重旋转协方差。HAMLET中这种基本图像变换的内在处理允许算法的训练和推广，而无需任何额外的数据增强。我们证明了我们的方法的性能为12个突出的束，并表明，所获得的道估计是强大的和可靠的。它还表明，学习模型是便携式从一个序列到另一个。
2018-07-03 cs.AI cs.CV
Back to Physics: Operator-Guided Generative Paths for SMS MRI Reconstruction
School of Advanced Manufacturing, Nanchang University（先进制造学院，南昌大学）；College of Computer Science and Software Engineering, Shenzhen University（计算机科学与软件工程学院，深圳大学）
本文提出了一种基于操作符的生成路径框架，用于改进SMS MRI重建，通过双流交互网络分离切片内容并预测结构化退化，从而提高重建保真度和减少切片泄漏。
2026-02-08 cs.CV
Coarse-Super-Resolution-Fine Network (CoSF-Net): A Unified End-to-End Neural Network for 4D-MRI with Simultaneous Motion Estimation and Super-Resolution
四维磁共振成像（4D-MRI）是图像引导放射治疗（IGRT）中肿瘤运动管理的新兴技术。然而，由于长的采集时间和患者的呼吸变化，当前的4D-MRI遭受低空间分辨率和强运动伪影;这些限制，如果管理不当，可能会对IGRT中的治疗计划和递送产生不利影响。在此，我们开发了一种称为粗-超-精网络（CoSF-Net）的新型深度学习框架，以在统一模型中实现同时的运动估计和超分辨率。我们通过充分挖掘4D-MRI的固有属性，并考虑到有限和不完全匹配的训练数据集，设计了CoSF-Net。我们在多个真实患者数据集上进行了广泛的实验，以验证所开发的网络的可行性和鲁棒性。与现有的网络和三种最先进的传统算法相比，CoSF-Net不仅准确地估计了4D-MRI的呼吸相位之间的可变形矢量场，而且同时提高了4D-MRI的空间分辨率，增强了解剖特征，产生了具有高时空分辨率的4D-MR图像。
2022-11-21 cs.CV eess.IV
MASC: Metal-Aware Sampling and Correction via Reinforcement Learning for Accelerated MRI
Vanderbilt University（范德比尔特大学）；Vanderbilt University Medical Center（范德比尔特大学医学中心）；Oak Ridge National Laboratory（橡树岭国家实验室）
MASC通过强化学习联合优化金属感知的k空间采样和伪影校正，提升加速MRI的图像质量与诊断效果。
2026-10-21 cs.CV
k-Space Deep Learning for Parallel MRI: Application to Time-Resolved MR Angiography
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；Gachon University College of Medicine（嘉泉大学医学院）
交错随机轨迹时间分辨血管造影（TWIST）已广泛用于动态增强MRI（DCE-MRI）。为了实现高度加速的采集，TWIST结合了来自多个相邻帧的k空间数据的外围，以重建一个时间帧。然而，这种视图共享方案限制了TWIST的真实时间分辨率。此外，k-空间采样模式是专门为特定的广义自动校准部分并行采集（GRAPPA）因子设计的，因此一旦采集了k-数据，就不可能减少视图共享的数量。为了解决这些问题，本文提出了一种新的k空间深度学习方法，用于并行MRI。特别是，我们已经设计了我们的神经网络，以便通过利用沿线圈和图像的冗余，同时对多个线圈执行精确的k空间插值。使用体内TWIST数据集的重建结果证实，所提出的方法可以立即生成高质量的重建结果与各种选择的视图共享，使我们能够利用时间分辨MR血管造影的空间和时间分辨率之间的权衡。
2018-06-10 cs.AI cs.CV cs.LG
Contrastive Joint-Embedding Prediction for Representation Learning in Structural MRI
Technical University of Denmark（丹麦技术大学）；Department of Applied Mathematics and Computer Science（应用数学与计算机科学系）
针对医学成像中标记数据稀缺问题，提出COJEPA自监督框架，结合联合嵌入预测架构与对比损失，用于体积脑MRI。通过特定技术扩展到3D，在多任务中评估，取得了如最佳同卵双胞胎召回率等成果，证明组合目标能产生优质表示。
2026-07-15 cs.CV cs.LG
Learning-Based Cost Functions for 3D and 4D Multi-Surface Multi-Object Segmentation of Knee MRI: Data from the Osteoarthritis Initiative
The University of Iowa（爱荷华大学）；University of Iowa Carver College of Medicine（爱荷华大学卡佛医学院）
开发了一种用于研究骨关节炎（OA）的全自动膝关节MRI分割方法，该方法使用一种新的分层随机森林（RF）分类器集来学习软骨区域及其边界的外观。首先使用邻域近似森林来为第二级RF分类器提供上下文特征，该第二级RF分类器还考虑局部特征并为多个对象和表面的分层最优图图像分割（LOGISMOS）框架产生特定于位置的成本。这项工作中使用的双回波稳态（DESS）MRI源自骨关节炎倡议（OAI）研究。在34个具有不同程度OA的MRI上训练，在108个MRI上测试的基于学习的方法的性能显示，与传统的基于梯度和单阶段RF学习成本相比，分割错误显著减少（\emph{p} $<$ 0.05）。将3D LOGISMOS扩展到纵向3D（4D），以同时分割同一患者的多次随访访视。因此，来自时间序列的所有时间点的数据将信息贡献给利用空间3D和时间上下文两者的单个最优解。对54例患者的基线和12个月随访扫描的108次MRI进行的4D LOGISMOS验证显示，与3D相比，分割错误显著减少（\emph{p} $<$ 0.01）。最后，使用5次年度随访扫描对相同的54例患者进一步探索了4D LOGISMOS的潜力，结果表明与序贯3D方法相比，测量软骨厚度（\emph{p} $<$ 0.01）有显著改善。
2019-03-10 cs.CV cs.LG
SIMPLE: Simultaneous Multi-Plane Self-Supervised Learning for Isotropic MRI Restoration from Anisotropic Data
Technion – Israel Institute of Technology（以色列理工学院）；Rambam Health Care Campus（兰班姆医疗中心）
提出SIMPLE，一种同步多平面自监督学习方法，利用现有各向异性临床数据实现各向同性MRI恢复，无需模拟降采样，在脑部和腹部数据集上优于现有方法，提升诊断能力。
2025-03-29 cs.CV eess.IV
Compressed Sensing Plus Motion (CS+M): A New Perspective for Improving Undersampled MR Image Reconstruction
University of Cambridge（剑桥大学）；Université Clermont Auvergne（克莱蒙奥弗涅大学）；CNRS（法国国家科学研究中心）；SIGMA Clermont（克莱蒙西格玛工程师学院）；Institut Pascal（帕斯卡研究所）；Wolfson Brain Imaging Centre（沃尔夫森脑成像中心）；Cambridge University Hospitals（剑桥大学医院）
我们解决的问题，重建高质量的图像欠采样的MRI数据。这是一个具有挑战性的任务，由于高度不适定性的问题。具体地，在动态MRI扫描中，目标结构与物理运动之间的相互作用影响所获取的测量结果，导致模糊伪影和精细细节的丢失。在这项工作中，我们提出了一个框架下的动态MRI重建一个新的多任务优化模型，称为压缩感知加运动（CS+M）。首先，我们提出了一个单一的优化问题，同时计算MRI重建和物理运动。其次，我们证明了我们的模型可以有效地解决它分为两个更容易计算的问题。我们的方法的潜力和推广能力在不同的临床应用中得到了证明，包括心脏电影，心脏灌注和脑灌注成像。我们表明，通过数值和图形实验，该方案减少了模糊伪影，并保留了目标的形状和细节。我们还报告了最高质量的重建高度欠采样率相比，几个国家的最先进的技术。
2020-04-09 cs.CV
Simultaneous super-resolution and motion artifact removal in diffusion-weighted MRI using unsupervised deep learning
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；Seoul National University College of Medicine（首尔大学医学院）
磁共振弥散加权成像由于其预后能力，现在是常规进行的，但扫描的质量往往是不令人满意的，这可能随后妨碍临床实用性。为了克服这些限制，我们提出了一种完全无监督的质量增强方案，该方案可以同时提高分辨率并消除运动伪影。这个过程是通过首先使用具有随机退化块的最优传输驱动cycleGAN来训练网络来完成的，该网络学习去除混叠伪影并提高分辨率，然后在测试阶段使用训练好的网络，通过利用自举子采样和聚合来抑制运动伪影。我们进一步表明，我们可以通过控制在推理阶段的自举子采样率来控制伪影校正量和分辨率之间的权衡。据我们所知，该方法是第一个使用无监督学习在MRI背景下同时解决超分辨率和运动伪影校正的方法。我们证明了我们的方法的效率，通过将其应用于定量评价模拟研究，并在体内扩散加权MR扫描，这表明我们的方法是优于目前国家的最先进的方法。所提出的方法是灵活的，因为它可以应用于各种质量增强方案在其他类型的MR扫描，也直接表观扩散系数图的质量增强。
2021-05-01 cs.CV cs.LG eess.IV
Deep Learning Super-Resolution Enables Rapid Simultaneous Morphological and Quantitative Magnetic Resonance Imaging
Stanford University（斯坦福大学）；LVIS Corporation（LVIS公司）
获得具有高分辨率的磁共振图像（MRI）并生成用于评估组织生物化学的基于图像的定量生物标志物在临床和研究应用中至关重要。然而，获取定量生物标志物需要高信噪比（SNR），这与MRI的高分辨率不一致，特别是在单个快速序列中。在本文中，我们展示了如何利用超分辨率来保持足够的SNR，以准确定量T2弛豫时间生物标志物，同时生成高分辨率图像。我们比较的分辨率增强的效果，如峰值信噪比和结构相似性的指标。我们通过与标准参考方法进行比较来评估软骨T2弛豫时间的准确性。我们的评估表明，SR可以成功地保持高分辨率，并产生准确的生物标志物，以加速MRI扫描，提高临床和研究MRI的价值。
2018-08-07 cs.CV cs.LG stat.ML
Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN
Johns Hopkins University（约翰霍普金斯大学）
数据驱动的自动方法已经证明了它们在解决神经肿瘤学中恶性胶质瘤患者的各种临床诊断困境方面的巨大潜力，这些患者可以借助常规和先进的分子MR图像。然而，缺乏足够的注释MRI数据极大地阻碍了这种自动方法的发展。传统的数据增强方法，包括翻转、缩放、旋转和失真，不能生成具有不同图像内容的数据。在本文中，我们提出了一种方法，称为合成的解剖和分子MR图像网络（SAMR），它可以同时合成的数据从任意处理的病变信息的多个解剖和分子MRI序列，包括T1加权（T1w），钆增强T1w（Gd-T1w），T2加权（T2w），液体衰减反转恢复（FLAIR），和酰胺质子转移加权（APTw）。该框架包括一个扩展的上采样模块，大脑图谱编码器，分割一致性模块，和多尺度标签式鉴别器。对真实临床数据的大量实验表明，所提出的模型可以显着优于国家的最先进的合成方法。
2020-08-26 cs.CV eess.IV
DISGAN: Wavelet-informed Discriminator Guides GAN to MRI Super-resolution with Noise Cleaning
Max Planck Institute for Biological Cybernetics（马克斯·普朗克生物控制论研究所）；University Hospital Tübingen（图宾根大学医院）
本研究提出DISGAN模型，通过嵌入3D DWT+卷积单元的频率感知3D Unet判别器引导残差结构3D生成器，仅用超分辨率任务训练即可同时实现MRI超分辨率与去噪，在HCP数据及脑疾病数据上表现优异。
2023-08-23 cs.CV eess.IV
A Longitudinal Method for Simultaneous Whole-Brain and Lesion Segmentation in Multiple Sclerosis
Technical University of Denmark（丹麦技术大学）；Athinoula A. Martinos Center for Biomedical Imaging（阿西努拉·A·马丁诺斯生物医学成像中心）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Technical University of Munich（慕尼黑工业大学）
在本文中，我们提出了一种新的方法分割纵向脑MRI扫描的患者患有多发性硬化症。该方法建立在现有的同时全脑和病变分割的横截面方法，引入特定于主题的潜在变量，以鼓励纵向扫描之间的时间一致性。它非常普遍适用，因为它没有对扫描仪、MRI协议或纵向随访扫描的数量和时间做出任何预先假设。三个纵向数据集上的初步实验表明，该方法产生更可靠的分割和检测疾病的影响比横截面的方法，它是基于。
2020-09-15 cs.CV cs.LG eess.IV
A Contrast-Adaptive Method for Simultaneous Whole-Brain and Lesion Segmentation in Multiple Sclerosis
Technical University of Denmark（丹麦技术大学）；Copenhagen University Hospital Hvidovre（哥本哈根大学医院维兹奥勒医院）；Medical Image Analysis Center (MIAC AG)（医学图像分析中心（MIAC AG））；Technical University of Munich（慕尼黑工业大学）；Copenhagen University Hospital Bispebjerg（哥本哈根大学医院比斯佩比约医院）；University of Copenhagen（哥本哈根大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
在这里，我们提出了一种方法，同时分割白质病变和正常出现的神经解剖结构的多发性硬化症患者的多对比度脑MRI扫描。该方法将一种新的模型白质病变到一个以前验证的生成模型全脑分割。通过对解剖结构的形状及其在MRI中的外观使用单独的模型，该算法可以适应用不同扫描仪和成像协议采集的数据，而无需重新训练。我们使用四个不同的数据集验证该方法，在白质病变分割中表现出强大的性能，同时分割数十个其他大脑结构。我们进一步证明，对比度自适应方法也可以安全地应用于健康对照的MRI扫描，并复制先前记录的MS深层灰质结构中的萎缩模式。该算法作为开源神经成像软件包FreeSurfer的一部分公开提供。
2020-10-16 cs.CV cs.LG eess.IV
Shape constrained CNN for segmentation guided prediction of myocardial shape and pose parameters in cardiac MRI
KU Leuven（鲁汶大学）；UZ Leuven（鲁汶大学医院）
使用卷积神经网络（CNN）的语义分割是许多医学图像分割任务（包括心脏MR图像中的心肌分割）的最新技术。然而，从这种标准CNN获得的预测分割图不允许直接量化区域形状属性，例如区域壁厚。此外，CNN缺乏明确的形状约束，偶尔会导致不切实际的分割。在本文中，我们使用CNN来预测从图像训练集学习的心肌的基本统计形状模型的形状参数。此外，预测心脏姿态，这允许重建心肌轮廓。集成的形状模型使预测的轮廓规则化，并保证真实的形状。我们通过在训练过程中同时执行像素级语义分割来增强形状和姿态预测的鲁棒性，并定义了两个损失函数来在两个预测表示之间施加一致性：一个基于距离的损失和一个基于距离的损失。我们对75名受试者的内部临床数据集以及ACDC和LVQuan 19公共数据集进行了5倍交叉验证，评估了所提出的方法。我们同时语义分割和两个新定义的损失函数的形状参数的预测的好处。我们的方法在三个数据集上实现了左心室（LV）面积99%的相关性，心肌面积在91%和97%之间，LV尺寸在98-99%之间，局部壁厚在80%和92%之间。
2022-03-02 cs.CV eess.IV
