Local Implicit Neural Representations for Multi-Sequence MRI Translation
提出基于局部隐式神经表示的MRI转换方法，利用超网络生成的局部MLP恢复缺失序列的细节，在BraTS数据集上优于经典pix2pix模型。
2023-09-11 eess.IV
Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers
Bilkent University（比尔肯特大学）；National Magnetic Resonance Research Center, Bilkent University（比尔肯特大学国家磁共振研究中心）
监督重建模型在特征上是在匹配的欠采样和全采样数据对上训练的，以捕获MRI先验，以及关于成像操作员的监督，以加强数据一致性。为了减少监督要求，最近的深度图像先验框架在推理期间将未经训练的MRI先验与成像算子结合起来。然而，规范卷积架构在捕获远程关系方面是次优的，并且基于随机初始化网络的先验可能会产生次优性能。为了解决这些局限性，在这里，我们介绍了一种新的无监督MRI重建方法的基础上zero-Shot学习对抗Transformers（SLATER）。SLATER体现了一个深度对抗网络，具有交叉注意力Transformers，可将噪声和潜在变量映射到线圈组合的MR图像上。在预训练期间，该无条件网络在无监督生成建模任务中学习高质量的MRI先验。在推断期间，然后通过结合成像算子并优化先验以最大化欠采样数据的一致性来执行zero-shot重建。在大脑MRI数据集上进行的综合实验清楚地证明了SLATER相对于最先进的无监督方法的优越性能。
2022-01-16 cs.CV cs.LG eess.IV
Evaluating unsupervised contrastive learning framework for MRI sequences classification
Johns Hopkins School of Medicine（约翰霍普金斯医学院）；Siemens Healthineers（西门子医疗）
针对MRI扫描参数不标准化导致的序列自动识别难题，提出基于ResNet-18的无监督对比学习框架，仅用2D切片训练，在多类公开数据集上实现9种常见MRI序列超0.95的分类准确率，可优化临床工作流程。
2025-01-12 cs.CV eess.IV
Unsupervised MRI Reconstruction with Generative Adversarial Networks
Stanford University（斯坦福大学）
基于深度学习的图像重建方法在多种MRI应用中取得了令人鼓舞的结果。然而，大多数方法需要大规模的完全采样的地面真实数据进行监督训练。获取完全采样的数据通常是困难的或不可能的，特别是对于动态对比增强（DCE）、3D心脏电影和4D血流。我们提出了一个深度学习框架，用于MRI重建，而无需使用生成对抗网络的任何完全采样数据。我们在两种情况下测试所提出的方法：回顾性欠采样快速自旋回波膝关节检查和前瞻性欠采样腹部DCE。与传统方法相比，该方法恢复更多的解剖结构。
2020-08-29 cs.LG eess.IV stat.ML
3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI
Institute of Medical Technology and Intelligent Systems, Hamburg University of Technology（汉堡工业大学医学技术与智能系统研究所）；jung diagnostics GmbH（jung diagnostics 有限公司）
目的.脑磁共振成像（MRI）对于神经系统疾病的诊断至关重要。最近，已经提出了用于无监督异常检测（UAD）的深度学习方法，用于分析大脑MRI。这些方法依赖于健康的大脑MRI，并且与监督式深度学习相比，消除了对逐像素注释数据的需求。虽然已经提出了各种各样的UAD方法，但这些方法大多是2D的，并且仅从MRI切片学习，而忽略了大脑病变本质上是3D的，并且MRI体积的空间背景仍然未被利用。方法.我们调查是否使用增加的空间上下文，通过使用MRI卷结合空间擦除导致改进的无监督异常分割性能相比，从切片学习。我们评估和比较2D变分自动编码器（VAE），他们的3D对应，提出了3D输入擦除，并系统地研究了数据集的大小对性能的影响。结果使用两个公开可用的分割数据集进行评估，3D VAE优于其2D对应物，突出了体积背景的优势。此外，我们的3D擦除方法允许进一步的性能改进。我们最好的3D VAE与输入擦除导致平均DICE得分为31.40%，而2D VAE为25.76%。结论.我们提出了结合3D擦除的脑MRI中UAD的3D深度学习方法，并证明了3D方法在异常分割方面明显优于2D方法。此外，我们的空间擦除方法允许进一步的性能改进，并减少了对大数据集的要求。
2021-09-14 cs.CV eess.IV
Unsupervised Adaptive Implicit Neural Representation Learning for Scan-Specific MRI Reconstruction
University of Cambridge（剑桥大学）
本文提出一种无监督自适应由粗到细框架，利用隐式神经表示和渐进式k空间自监督策略，在不依赖全采样数据且不受欠采样模式限制的情况下提升扫描特定MRI重建质量，并在2D和3D数据上以最高8倍欠采样超越现有方法。
2023-12-01 cs.CV eess.IV
Unsupervised reconstruction of accelerated cardiac cine MRI using Neural Fields
Pontificia Universidad Católica de Chile（智利天主教大学）；Universidad de Chile（智利大学）；Millennium Institute for Intelligent Healthcare Engineering（智能医疗工程千年研究所）
针对心脏cine MRI加速采集的重建问题，提出基于隐式神经场表示的无监督方法NF-cMRI，无需大量训练数据，在26x和52x欠采样下实现良好图像质量并改善时间描绘。
2023-07-24 cs.LG eess.IV
Do High-Performance Image-to-Image Translation Networks Enable the Discovery of Radiomic Features? Application to MRI Synthesis from Ultrasound in Prostate Cancer
本研究评估了五种图像到图像翻译网络在前列腺癌超声合成MRI中的表现，发现尽管网络达到高SSIM，但影像组学特征分析显示一半特征在翻译中丢失，且医生定性评估确认其缺乏低级特征发现能力。
2024-07-25 eess.IV
Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction
Institute of Medical Technology and Intelligent Systems, Hamburg University of Technology（汉堡工业大学医疗技术与智能系统研究所）；jung diagnostics GmbH（jung diagnostics GmbH公司）；Hamburg University of Technology（汉堡工业大学）
脑磁共振图像（MRI）中的病变检测仍然是一项具有挑战性的任务。MRI通常由领域专家读取和解释，这是一个繁琐且耗时的过程。最近，在大脑MRI中使用深度学习的无监督异常检测（UAD）已经显示出有希望的结果，可以提供快速的初步评估。到目前为止，这些方法仅依赖于健康大脑解剖结构的视觉外观进行异常检测。大脑发育异常的另一个生物标志物是大脑年龄与实际年龄之间的偏差，这与UAD的结合尚未探索。我们提出了在3D脑MRI中进行UAD的深度学习，并考虑了额外的年龄信息。我们分析了年龄信息在训练过程中的价值，作为一个额外的异常分数，并系统地研究了几个架构概念。基于我们的分析，我们提出了一种新的具有多任务年龄预测的UAD深度学习方法。我们使用1735名健康受试者的临床T1加权MRI和公开可用的BraTs 2019数据集进行研究。我们的新方法显著提高了UAD性能，AUC为92.60%，而使用以前的方法没有年龄信息的AUC分数为84.37%。
2022-01-31 cs.CV eess.IV
Unsupervised learning of MRI tissue properties using MRI physics models
Harvard Medical School（哈佛医学院）；Massachusetts General Hospital（麻省总医院）；California Institute of Technology（加州理工学院）；Massachusetts Institute of Technology（麻省理工学院）
在神经成像中，MRI组织特性表征潜在的神经生物学，为神经疾病检测和分析提供定量生物标志物，并可用于合成任意MRI对比。使用在所有临床扫描仪上可用的协议从单个扫描会话估计组织属性有望减少扫描时间和成本，实现常规临床扫描中的定量分析，并提供与扫描无关的疾病生物标志物。然而，现有的组织性质估计方法-最常见的是$\mathbf{T_1}$弛豫、$\mathbf{T_2^*}$弛豫和质子密度（$\mathbf{PD}$）-需要来自多个扫描会话的数据，并且不能估计来自单个临床可用MRI协议（例如多回波MRI扫描）的所有性质。此外，跨临床成像站点的非标准采集参数的广泛使用需要能够跨变化的扫描仪参数进行概括的估计方法。然而，现有的学习方法是采集协议特定的，并且不能从来自不同成像部位的异质临床数据进行估计。在这项工作中，我们提出了一种无监督的深度学习策略，该策略采用MRI物理学从单个多回波MRI扫描会话中估计所有三种组织属性，并在不同的采集参数中进行推广。所提出的策略优化了从估计的潜在组织特性准确合成新的MRI对比度，实现了无监督训练，我们还在训练期间采用随机采集参数以实现采集泛化。我们提供的第一个演示估计所有组织的属性从一个单一的多回波扫描会话。我们证明了组织属性估计和MRI合成的准确性和普遍性的提高。
2021-07-06 cs.CV eess.IV q-bio.NC
Disentangled Latent Energy-Based Style Translation: An Image-Level Structural MRI Harmonization Framework
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；North Carolina State University（北卡罗来纳州立大学）
提出一种解耦潜在基于能量的风格转换框架DLEST，通过在潜在空间分离图像生成与风格转换实现高效非配对MRI协调，在多任务上优于现有方法。
2024-05-30 cs.CV eess.IV
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI
Hamburg University of Technology（汉堡工业大学）；Jung Diagnostics GmbH（荣格诊断有限公司）
由于大脑解剖结构的多样性和对注释数据集的需求，使用监督式深度学习技术来检测大脑MRI扫描中的病理可能具有挑战性。另一种方法是使用无监督的异常检测，它只需要健康大脑的样本级标签来创建参考表示。然后，可以以逐像素的方式将该参考表示与不健康的大脑解剖结构进行比较，以识别异常。为了实现这一目标，需要生成模型来创建健康大脑的解剖学一致的MRI扫描。虽然最近的扩散模型在这项任务中显示出了希望，但准确地生成人脑的复杂结构仍然是一个挑战。在本文中，我们提出了一种方法，重新制定的生成任务的扩散模型作为一个补丁为基础的估计健康的大脑解剖结构，使用空间环境来指导和改善重建。我们对肿瘤和多发性硬化病变的数据进行了评估，并证明与现有基线相比，相对改善了25.1%。
2023-03-07 cs.CV eess.IV
A scan-specific unsupervised method for parallel MRI reconstruction via implicit neural representation
Shanghai Jiao Tong University（上海交通大学）；ShanghaiTech University（上海科技大学）
并行成像是一种广泛使用的加速磁共振成像（MRI）的技术。然而，目前的方法在从高度欠采样的k空间数据重建无伪影的MRI图像方面仍然表现不佳。最近，隐式神经表征（INR）已经成为一种新的深度学习范式，用于学习对象的内部连续性。在本研究中，我们采用INR并行MRI重建。MRI图像被建模为空间坐标的连续函数。该函数由神经网络参数化，并直接从测量的k空间本身学习，而无需额外的完全采样的高质量训练数据。受益于INR提供的强大的连续表示，所提出的方法通过抑制混叠伪影和噪声而优于现有方法，特别是在更高的加速度和更小尺寸的自动校准信号下。高质量的结果和扫描特异性使所提出的方法具有进一步加速并行MRI数据采集的潜力。
2022-10-19 cs.CV cs.LG eess.IV
Unsupervised Region-based Anomaly Detection in Brain MRI with Adversarial Image Inpainting
Durham University（杜伦大学）；University of Exeter（埃克塞特大学）；County Durham and Darlington NHS Foundation Trust（达勒姆郡和达灵顿国民保健服务基金会信托）
进行医学分割以在手术之前确定感兴趣区域（ROI）的边界。通过允许在规划阶段研究ROI的增长、结构和行为，可以获得关键信息，从而增加成功操作的可能性。通常，分割是手动执行的，或者通过在手动注释上训练的机器学习方法来执行。相比之下，本文提出了一个全自动，无监督inpainting为基础的脑肿瘤分割系统的T1加权MRI。首先，训练深度卷积神经网络（DCNN）来重建缺失的健康大脑区域。然后，在应用时，通过识别最高重建损失的区域来确定异常区域。最后，进行超像素分割以分割这些区域。我们表明，所提出的系统是能够分割各种大小和抽象的肿瘤，并实现了平均值和标准差Dice得分分别为0.771和0.176。
2020-10-05 cs.CV eess.IV
An Unsupervised Framework for Joint MRI Super Resolution and Gibbs Artifact Removal
United Imaging Intelligence（联影智能）
从磁共振成像（MRI）生成的k空间数据只是潜在信号的有限采样。因此，MRI图像经常遭受低空间分辨率和吉布斯振铃伪影。以前的研究分别解决了这两个问题，其中超分辨率方法往往会增强吉布斯伪影，而吉布斯振铃消除方法往往会模糊图像。在临床MRI中难以获得高分辨率的地面真值也是一个挑战。在本文中，我们提出了一个无监督的学习框架，MRI超分辨率和吉布斯伪影去除，而不使用高分辨率地面真理。此外，我们提出了正则化方法，以提高模型的泛化能力在分布的MRI图像。我们评估了我们提出的方法与其他国家的最先进的方法在八个MRI数据集与各种对比度和解剖结构。我们的方法不仅实现了最好的SR性能，但也显着减少吉布斯文物。我们的方法在不同的数据集上也表现出良好的泛化能力，这对于训练数据通常稀缺且有偏差的临床应用是有益的。
2023-02-06 cs.AI cs.CV cs.LG
Leveraging 3D Information in Unsupervised Brain MRI Segmentation
Pixyl；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立高等物理、数学与信息学院）；Inserm（法国国家健康与医学研究院）；Grenoble Institut Neurosciences（格勒诺布尔神经科学研究所）
大脑异常的自动分割是具有挑战性的，因为它们从一种病理到另一种病理变化很大。目前的方法是有监督的，需要为每种病理学提供大量注释图像，这是一项艰巨的任务。为了解决解剖变异性，提出了无监督异常检测（UAD）方法，将异常检测为使用变分自动编码器（VAE）学习的健康模型的离群值。以前的UAD工作采用了2D方法，这意味着MRI被处理为独立切片的集合。然而，它没有充分利用MRI中包含的空间信息。在这里，我们建议以3D方式执行UAD并比较2D和3D VAE。作为一个侧面的贡献，我们提出了一个新的损失函数，证明了一个强大的训练。使用健康大脑MRI的多中心数据集进行学习，并对白质高强度和肿瘤病变进行分割性能估计。实验证明了3D方法的兴趣，优于他们的2D同行。
2021-01-26 cs.CV cs.LG eess.IV
Exploring the Power of Generative Deep Learning for Image-to-Image Translation and MRI Reconstruction: A Cross-Domain Review
Center for Translational Research in Neuroimaging and Data Science (TReNDS)（神经影像与数据科学转化研究中心（TReNDS））
近年来，深度学习已经成为计算机视觉和图像处理领域中的重要计算建模工具。本研究全面分析了自然和医学成像领域用于图像到图像翻译和重建的不同深度学习方法。我们研究了著名的深度学习框架，如卷积神经网络和生成对抗网络及其变体，深入研究了每个框架的基本原理和难点。在自然计算机视觉领域，我们研究了各种深度学习生成模型的开发和扩展。相比之下，我们研究了深度学习在生成医学成像问题中的可能应用，包括医学图像翻译、MRI重建和多对比度MRI合成。这篇全面的综述为生成计算机视觉和医学成像领域的学者和从业者提供了有用的见解，以总结过去的工作并深入了解未来的研究路径。
2023-03-16 cs.CV eess.IV
Adaptive Gradient Balancing for Undersampled MRI Reconstruction and Image-to-Image Translation
Tel Aviv University（特拉维夫大学）；GE Research（GE研究院）；GE Healthcare（GE医疗）
最近的加速MRI重建模型使用深度神经网络（DNN）从高度欠采样的k空间数据中重建相对高质量的图像，从而实现更快的MRI扫描。然而，这些技术有时很难重建清晰的图像，在保持自然外观的同时保留精细的细节。在这项工作中，我们通过使用条件Wasserstein生成对抗网络结合一种新的自适应梯度平衡（AGB）技术来提高图像质量，该技术自动化了对抗和像素项的组合过程，并简化了超参数调整。此外，我们还介绍了一种密集连接迭代网络，这是一种利用密集连接的欠采样MRI重建网络。在MRI中，我们的方法最大限度地减少了伪影，同时保持了高质量的重建，产生比其他技术更清晰的图像。为了证明我们的方法的一般性质，它进一步评估了一系列图像到图像的翻译实验，证明了在多项对抗训练中从次优权重恢复的能力。
2021-04-05 cs.CV eess.IV
Motion Compensated Unsupervised Deep Learning for 5D MRI
提出一种无监督深度学习算法，通过卷积神经网络和自编码器联合估计变形图与图像模板，实现了从3D径向采集到5D心脏MRI的高效运动补偿重建。
2023-09-08 eess.IV eess.SP
Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data
Hamburg University of Technology（汉堡工业大学）；Jung Diagnostics GmbH（荣格诊断有限公司）
在磁共振成像（MRI）扫描人脑中检测病变仍然具有挑战性，耗时且容易出错。最近，无监督异常检测（UAD）方法已经显示出有希望的结果，这一任务。这些方法依赖于仅包含健康样本的训练数据集。与监督方法相比，这大大减少了对大量标记训练数据的需求。然而，数据标签仍然容易出错。我们研究了训练数据中的不健康样本如何影响脑部MRI扫描的异常检测性能。对于我们的评估，我们考虑了三个公开的数据集，并使用自动编码器（AE）作为UAD的一个成熟的基线方法。我们通过将不同量的不健康样本注入我们的T1加权MRI扫描健康样本训练集，系统地评估了不纯训练数据的影响。我们评估了一种方法来识别错误标记的样本直接在训练过程中的基础上重建误差的AE。我们的研究结果表明，使用不纯数据进行训练会显着降低UAD性能，即使在很少的错误标记样本的情况下也是如此。通过在训练过程中基于重建损失直接执行离群值移除，我们证明了可以检测并移除错误标记的数据，以减轻错误标记数据的影响。总的来说，我们强调了大脑MRI中UAD的干净数据集的重要性，并展示了一种在训练过程中直接检测错误标记数据的方法。
2022-04-12 cs.CV eess.IV
Amyloid-Beta Axial Plane PET Synthesis from Structural MRI: An Image Translation Approach for Screening Alzheimer's Disease
University of Calgary（卡尔加里大学）；Schulich School of Engineering（舒利希工程学院）；Cumming School of Medicine（卡明医学院）；Hotchkiss Brain Institute（霍奇基斯脑研究所）
本研究提出一种图像翻译模型，从结构MRI合成定量准确的淀粉样蛋白-β PET图像，用于阿尔茨海默病筛查，实验证明该方法可行且生成图像质量高。
2023-09-01 cs.CV cs.LG eess.IV
Multi-modal MRI Translation via Evidential Regression and Distribution Calibration
Fudan University（复旦大学）；University of Cambridge（剑桥大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Fuzhou University（福州市大学）；Shanghai Jiao Tong University（上海交通大学）
针对多模态MRI转换中合成图像不确定性量化不足、跨医疗中心鲁棒性差的问题，提出结合证据回归与分布校准的框架，经BraTS2023数据集验证，跨域性能与鲁棒性更优。
2025-05-19 cs.CV eess.IV
MADGAN: unsupervised Medical Anomaly Detection GAN using multiple adjacent brain MRI slice reconstruction
LPIXEL Inc.（LPIXEL公司）；University of Cambridge（剑桥大学）；National Institute of Informatics（国立信息学研究所）；National Center for Global Health and Medicine（国立国际医疗研究中心）；Juntendo University（顺天堂大学）；ELTE Eötvös Loránd University（厄特沃什·罗兰大学）；The University of Tokyo（东京大学）
无监督学习可以依靠健康受试者的大规模无注释医学图像发现各种看不见的异常。为此，无监督方法重建2D/3D单个医学图像，以检测学习的特征空间中的异常值或来自高重建损失的异常值。然而，在不考虑多个相邻切片之间的连续性的情况下，它们不能直接区分由细微解剖异常的积累组成的疾病，例如阿尔茨海默病（AD）。此外，没有研究表明无监督的异常检测如何与疾病阶段、各种（即，超过两种类型的）疾病，或多序列磁共振成像（MRI）扫描。因此，我们提出了无监督医学异常检测生成对抗网络（MADGAN），这是一种新的两步法，使用基于GAN的多个相邻脑MRI切片重建来检测多序列结构MRI上不同阶段的脑异常：（重建）Wasserstein损失与梯度惩罚+ 100 L1损失-在3个健康脑轴向MRI切片上训练以重建下3个切片-重建看不见的健康/异常扫描;（诊断）每次扫描的平均L2丢失可以区分它们，比较地面真实/重建切片。为了进行训练，我们使用了两个不同的数据集，分别由1，133个健康的T1加权（T1）和135个健康的对比增强T1（T1 c）脑MRI扫描组成，用于检测AD和脑转移/各种疾病。我们的Self-Attention MADGAN可以在非常早期的T1扫描中检测出AD，轻度认知障碍（MCI），曲线下面积（AUC）为0.727，晚期AD为AUC 0.894，同时在T1 c扫描中检测出脑转移，AUC为0.921。
2020-10-12 cs.CV cs.LG eess.IV
Unsupervised Deep Learning for Bayesian Brain MRI Segmentation
Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院Martinos生物医学影像中心）；Massachusetts Institute of Technology（麻省理工学院）；Cornell University（康奈尔大学）；University College London（伦敦大学学院）
概率图谱先验通常用于导出自适应和鲁棒的脑MRI分割算法。广泛使用的神经图像分析管道严重依赖于这些技术，这些技术通常在计算上是昂贵的。相比之下，最近出现了一种利用深度学习来实现在测试时计算效率高的分割工具的方法。然而，这些策略中的大多数依赖于从手动注释的图像中学习。因此，这些有监督的深度学习方法对训练数据集中的强度分布敏感。为了为新的图像数据集开发基于深度学习的分割模型（例如，不同的对比度），通常需要创建新的标记训练数据集，这可能非常昂贵，或者依赖于次优的自适应或增强方法。在本文中，我们提出了一种替代策略，将传统的基于概率图谱的分割与深度学习相结合，使人们能够训练新MRI扫描的分割模型，而无需任何手动分割图像。我们的实验包括数千个脑MRI扫描，并证明所提出的方法实现了良好的准确性，为不同的MRI对比度的脑MRI分割任务，在GPU上的测试时间仅需约15秒。该代码可在http://voxelmorph.mit.edu上免费获得。
2019-07-23 cs.CV eess.IV
Comparative Analysis of GAN and Diffusion for MRI-to-CT translation
Department of Computer Science, University of Copenhagen, Copenhagen, Denmark（哥本哈根大学计算机科学系）；Department of Oncology, Rigshospitalet, Copenhagen, Denmark（哥本哈根医院肿瘤科）
本文比较了Pix2Pix（cGAN）与Palette（cDDPM）在MRI到CT转换中的表现，发现多通道条件输入和cDDPM架构效果更优，并提出切片相似性度量SIMOS评估三维合成连续性。
2025-09-26 cs.CV cs.LG eess.IV
Implicit neural representations for unsupervised super-resolution and denoising of 4D flow MRI
Politecnico di Milano（米兰理工大学）；University of Twente（特温特大学）；University of Bath（巴斯大学）；University of Cambridge（剑桥大学）
4D Flow MRI是一种非侵入性成像方法，可以测量随时间变化的血流速度。然而，由于低分辨率和测量噪声，该技术检测的速度场具有局限性。已经研究了基于坐标的神经网络以提高精度，SIREN适用于超分辨率任务。我们的研究调查SIRENs的时变3方向速度场测量的主动脉4D流动MRI，实现去噪和超分辨率。我们在体素坐标上训练了我们的方法，并使用合成测量和真实的4D流动MRI扫描对我们的方法进行了基准测试。我们优化的SIREN架构优于最先进的技术，从临床数据中产生去噪和超分辨率的速度场。我们的方法可以快速执行，并且可以直接实现新的情况，实现4D超分辨率。
2023-02-24 cs.CV cs.LG eess.IV
Explainable unsupervised multi-modal image registration using deep networks
Heriot-Watt University（赫瑞瓦特大学）；University of Edinburgh（爱丁堡大学）；University of Essex（埃塞克斯大学）
本研究提出一种基于深度网络的无监督多模态图像配准方法，通过集成Grad-CAM可解释性框架，使模型在保持优于Syn方法性能的同时实现完全可解释，为推广至更多医学成像数据奠定基础。
2023-08-03 cs.CV cs.LG eess.IV
Graph Image Prior for Unsupervised Dynamic Cardiac Cine MRI Reconstruction
提出图图像先验（GIP）用于无监督动态心脏MRI重建，通过两阶段网络独立恢复帧结构并利用图卷积融合时空特征，结合ADMM优化，显著提升了重建性能与泛化能力。
2024-09-24 cs.CV eess.IV
Unified cross-modality feature disentangler for unsupervised multi-domain MRI abdomen organs segmentation
Memorial Sloan Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）
我们的贡献是一个统一的跨模态功能去纠缠多域图像翻译和多器官分割的方法。使用CT作为标记的源域，我们的方法学习分割没有标记数据的多模态（T1加权和T2加权）MRI。我们的方法使用变分自动编码器（VAE）来解开图像内容的风格。VAE约束的风格特征编码，以匹配一个普遍的先验（高斯），假设跨越所有的源和目标模态的风格。提取的图像风格被转换为潜在的风格缩放代码，其调制生成器以根据来自图像内容特征的目标域代码来产生多模态图像。最后，我们引入了一个联合分布匹配算法，该算法将翻译后的图像与任务相关的分割概率图相结合，以进一步约束和规范图像到图像（I2I）的翻译。我们对多种最先进的I2I翻译和分割方法进行了广泛的比较。我们的方法导致最低的平均多域图像重建误差为1.34 $\pm$ 0.04。对于多器官分割，我们的方法产生了T1w的平均Dice相似系数（DSC）为0.85，T2w MRI为0.90，这与完全监督的MRI多器官分割网络（T1w的DSC为0.86，T2w MRI为0.90）高度可比。
2020-07-19 cs.CV eess.IV
Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI
TU Munich（慕尼黑工业大学）；Klinikum rechts der Isar（伊萨尔河右岸医院）；ETH Zurich（苏黎世联邦理工学院）；Johns Hopkins University（约翰斯·霍普金斯大学）
脑病理在大小和形状上可以变化很大，范围从几个像素（即MS病变）到大的占位性肿瘤。最近提出的自动编码器为基础的方法，在脑MRI无监督异常分割表现出良好的性能，但面临的困难，在建模的分布与高保真度，这是至关重要的准确描绘特别小的病变。在这里，类似于这些以前的作品，我们对健康大脑MRI的分布进行建模，以定位错误重建的病理。然而，为了在更高分辨率下实现改进的重建保真度，我们学习使用拉普拉斯金字塔压缩和重建健康脑MRI的不同频段。在一系列的实验中，我们的方法与不同的国家的最先进的方法在三个不同的脑MR数据集与MS病变和肿瘤进行比较，我们显示出改进的异常分割性能和一般能力，以获得更清晰的重建输入数据在本地分辨率。拉普拉斯金字塔的建模进一步使得能够在多个尺度上描绘和聚集病变，这允许使用单个模型有效地应对不同的病理和病变尺寸。
2020-06-23 cs.CV cs.LG eess.IV
DIMA: DIffusing Motion Artifacts for unsupervised correction in brain MRI images
MaLGa Center, DIMA, University of Genoa（马尔加中心、DIMA、热那亚大学）；DIBRIS, University of Genoa（DIBRIS、热那亚大学）；Esaote S.p.A.（埃萨奥特公司）
DIMA通过扩散模型实现脑部MRI图像的无监督运动伪影校正，无需配对数据，具有更好的泛化能力。
2025-04-09 cs.CV eess.IV
ASC: Appearance and Structure Consistency for Unsupervised Domain Adaptation in Fetal Brain MRI Segmentation
Shenzhen Research Institute of Big Data（深圳大数据研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
提出名为ASC的无监督域适应框架，通过基于频率的图像外观交换和结构扰动下的预测一致性，将胎儿脑图谱分割标签适应到未标记MRI数据，在FeTA 2021基准上优于现有方法。
2023-10-22 cs.CV eess.IV
One-Class SVM on siamese neural network latent space for Unsupervised Anomaly Detection on brain MRI White Matter Hyperintensities
Univ. Lyon（里昂大学）；CNRS（法国国家科学研究中心）；Inserm（法国国家健康与医学研究院）；INSA Lyon（里昂国立应用科学学院）；UCBL（里昂第一大学）；CREATIS（CREATIS实验室）
本文提出一种基于孪生图像块自编码器潜在空间与单类SVM的无监督异常检测方法，用于多模态脑MRI白质高信号检测，在WMH挑战赛上取得与当前最优方法相当的性能。
2023-04-17 cs.AI eess.IV
An Unsupervised Deep Learning Method for Multi-coil Cine MRI
Paul C. Lauterbur Research Center for Biomedical Imaging, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院保罗·C·劳特伯生物医学成像研究中心）；Research Center for Medical AI, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院医学人工智能研究中心）；Shenzhen College of Advanced Technology, University of Chinese Academy of Sciences（中国科学院大学深圳先进技术学院）；The State University of New York, Buffalo（纽约州立大学布法罗分校）
深度学习在心脏磁共振成像（MRI）重建方面取得了很好的成功，其中卷积神经网络（CNN）学习从欠采样k空间到完全采样图像的映射。尽管这些深度学习方法与迭代方法相比可以提高重建质量，而不需要复杂的参数选择或冗长的重建时间，但仍需要解决以下问题：1）所有这些方法都是基于大数据的，需要大量的完全采样的MRI数据，这对于心脏MRI来说总是很难获得的; 2）从未研究过动态MR成像深度学习方法中线圈相关性对重建的影响。在本文中，我们通过时间交错采样策略提出了一种用于多线圈电影MRI的无监督深度学习方法。具体地，利用时间交织采集方案通过直接合并相邻时间帧的k空间数据来构建一组完全编码的参考数据。然后，这些完全编码的数据可以用于训练并行网络，用于分别重建每个线圈的图像。最后，通过CNN组合来自每个线圈的图像，以隐式地探索线圈之间的相关性。与经典的k-t FOTORS，k-t SLR，L+S和KLR方法在体内数据集上的比较表明，我们的方法可以在极短的时间内实现改进的重建结果。
2020-08-21 cs.CV eess.IV
Multi-task Deep Learning for Cerebrovascular Disease Classification and MRI-to-PET Translation
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）；National Taiwan University（台湾大学）
脑血流量（CBF）的准确定量是诊断和评估脑血管疾病，如烟雾病，颈动脉狭窄，动脉瘤和中风的必要条件。正电子发射断层扫描（PET）目前被认为是测量人脑CBF的金标准。然而，PET成像由于其高昂的成本、电离辐射的使用和后勤挑战而不能广泛使用，这需要共定位回旋加速器来递送2分钟半衰期的氧-15放射性同位素。相比之下，磁共振成像（MRI）更容易获得，并且不涉及电离辐射。在这项研究中，我们提出了一个多任务学习框架，用于大脑MRI到PET的翻译和疾病诊断。所提出的框架包括两个主要网络：（1）基于注意力的3D编码器-解码器卷积神经网络（CNN），其从多对比度MRI图像合成高质量PET CBF图，以及（2）多尺度3D CNN，其识别与输入MRI图像相对应的脑部疾病。我们的多任务框架在MRI到PET翻译的任务上产生了有希望的结果，在120名受试者的队列中实现了0.94的平均结构相似性指数（SSIM）和38 dB的峰值信噪比（PSNR）。此外，我们表明，整合多种MRI模式可以提高脑部疾病的临床诊断。
2022-02-12 cs.CV cs.LG eess.IV
Unsupervised Adaptive Neural Network Regularization for Accelerated Radial Cine MRI
Charité - Universitätsmedizin Berlin（夏里特大学医学院）；Berlin Institute of Health（柏林健康研究所）；Physikalisch-Technische Bundesanstalt (PTB)（德国联邦物理技术研究院）；King’s College London（伦敦国王学院）；Technical University of Berlin（柏林工业大学）；University of Innsbruck（因斯布鲁克大学）
在这项工作中，我们提出了一种迭代重建方案（ALONE -自适应学习网络）的2D径向电影MRI的基础上地面真实的无监督学习的浅层卷积神经网络。该网络被训练为在重建期间近似解的当前估计的补丁。通过施加浅网络拓扑并约束学习滤波器的$L_2$范数，网络的表示能力受到限制，以便不能恢复噪声。因此，该网络可以被解释为执行用于稳定反演过程的补丁的低维近似。我们提出的重建方案进行比较，两个地面真实的重建方法，即一个众所周知的总变差（TV）最小化和无监督自适应字典学习（DIC）方法。所提出的方法优于这两种方法就所有报告的定量措施。此外，与DIC相比，其中补丁的稀疏近似涉及复杂优化问题的解决方案，ALONE仅需要通过浅网络的所有补丁的前向传递，因此显著加速了重建。
2020-02-10 cs.LG eess.IV stat.ML
MouseGAN++: Unsupervised Disentanglement and Contrastive Representation for Multiple MRI Modalities Synthesis and Structural Segmentation of Mouse Brain
Fudan University（复旦大学）
在磁共振（MR）图像上分割小鼠大脑的精细结构对于描绘形态区域、分析大脑功能以及理解它们之间的关系至关重要。与单一MRI模态相比，多模态MRI数据提供了可由深度学习模型利用的互补组织特征，从而获得更好的分割结果。然而，多模态小鼠大脑MRI数据往往是缺乏的，使得小鼠大脑精细结构的自动分割是一个非常具有挑战性的任务。为了解决这个问题，有必要融合多模态MRI数据，以在不同的大脑结构中产生不同的对比。因此，我们提出了一种新的基于GAN的分解和对比框架，名为MouseGAN++，以结构保留的方式从单个MR模态合成多个MR模态，从而通过输入缺失模态和多模态融合来提高分割性能。我们的结果表明，我们的方法的翻译性能优于国家的最先进的方法。使用随后学习的模态不变信息以及模态转换图像，MouseGAN++可以分割精细的大脑结构，平均骰子系数分别为90.0%（T2w）和87.9%（T1w），与最先进的算法相比，性能提高了约10%。我们的研究结果表明，MouseGAN++作为一种同时进行图像合成和分割的方法，可以用于以不成对的方式融合跨模态信息，并在没有多模态数据的情况下产生更强大的性能。我们将我们的方法作为一个小鼠大脑结构分割工具发布，供免费学术使用。https://github.com/yu02019
2022-12-04 cs.CV eess.IV
Unsupervised Deformable Image Registration with Absent Correspondences in Pre-operative and Post-Recurrence Brain Tumor MRI Scans
The Hong Kong University of Science and Technology（香港科技大学）
手术前和复发后的脑图像的配准通常需要评估脑胶质瘤治疗的有效性。虽然最近基于深度学习的可变形配准方法在健康大脑图像方面取得了显着的成功，但由于参考图像中缺乏对应关系，其中大多数无法准确地将图像与病理对齐。在本文中，我们提出了一种基于深度学习的可变形配准方法，该方法联合估计缺少对应和双向变形场的区域。一个向前向后的一致性约束是用来帮助在本地化的切除和复发区域的体素在两个图像中没有对应。BraTS-Reg挑战的3D临床数据结果表明，与传统的和基于深度学习的配准方法相比，无论是否使用代价函数掩蔽策略，我们的方法都可以改善图像对齐。源代码可在https://github.com/cwmok/DIRAC上获得。
2022-06-08 cs.CV eess.IV
GAN-based Multiple Adjacent Brain MRI Slice Reconstruction for Unsupervised Alzheimer's Disease Diagnosis
Research Center for Medical Big Data, National Institute of Informatics（日本情报学研究所医疗大数据研究中心）；LPixel Inc.（LPixel公司）；Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）；Department of Radiology, University of Cambridge（剑桥大学放射科）；Cancer Research UK Cambridge Centre（英国癌症研究中心剑桥中心）；Department of Artificial Intelligence, ELTE Eötvös Loránd University（厄特沃什罗兰大学人工智能系）；Department of Rehabilitation Medicine, Juntendo University School of Medicine（顺天堂大学医学部康复医学科）；International Research Center for Neurointelligence (WPI-IRCN), The University of Tokyo（东京大学国际神经智能研究中心（WPI-IRCN））
无监督学习可以发现各种看不见的疾病，依赖于健康受试者的大规模未注释医学图像。为此，无监督方法重建单个医学图像以检测学习的特征空间中的离群值或来自高重建损失的离群值。然而，在不考虑多个相邻切片之间的连续性的情况下，它们不能直接区分由细微解剖异常的积累组成的疾病，例如阿尔茨海默病（AD）。此外，没有研究表明无监督的异常检测如何与疾病阶段相关联。因此，我们提出了一种两步法，使用基于生成对抗网络的多个相邻脑MRI切片重建来检测各个阶段的AD：（重建）具有梯度惩罚的Wasserstein损失+ L1损失-在3个健康切片上训练以重建接下来的3个切片-重建看不见的健康/AD病例;（诊断）平均/最大损失（例如，L2损失）来区分它们，比较重建的/地面实况图像。结果表明，我们可以在非常早期的阶段可靠地检测到AD，曲线下面积（AUC）为0.780，而在晚期阶段检测AD的准确性更高，AUC为0.917;由于我们的方法完全无监督，因此它还应该发现和警告任何异常，包括罕见疾病。
2020-03-16 cs.CV eess.IV
Leveraging the Mahalanobis Distance to enhance Unsupervised Brain MRI Anomaly Detection
Institute of Medical Technology and Intelligent Systems, Hamburg University of Technology（汉堡工业大学医学技术与智能系统研究所）；Jung Diagnostics（荣格诊断公司）
本文提出利用概率扩散模型生成多个重建，并通过马氏距离分析其分布以识别脑MRI异常，显著提升多个数据集的异常分割性能。
2024-07-17 cs.CV cs.LG eess.IV
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
Slice-Consistent 3D Volumetric Brain CT-to-MRI Translation with 2D Brownian Bridge Diffusion Model
Yonsei University（延世大学）；Yonsei University College of Medicine（延世大学医学院）
本文提出用于2D Brownian Bridge扩散模型的SKC与ISTA采样，在无需额外模型的情况下实现切片风格和形状一致的高质量3D脑CT到MRI转换。
2024-07-06 cs.CV eess.IV
Unsupervised Domain Adaptation with Semantic Consistency across Heterogeneous Modalities for MRI Prostate Lesion Segmentation
UCL（伦敦大学学院）；UCLH NHS Foundation Trust（伦敦大学学院医院国民保健服务基金会信托）
与先前协议不同的任何新颖的医学成像模态（例如，在成像通道的数量方面）引入了与先前的领域不同的新领域。这种常见的医学成像场景很少被认为是在域适应文献，处理跨域的相同维度的转变。在我们的工作中，我们依赖于随机生成模型在像素空间上跨两个异构域进行翻译，并引入了两个新的损失函数，以促进语义一致性。首先，我们在源域中引入语义循环一致性损失，以确保翻译保持语义。其次，我们引入了一个伪标签损失，在这里我们将目标数据转换为源数据，通过源域网络对它们进行标签，并使用生成的伪标签来监督目标域网络。我们的研究结果表明，这使我们能够系统地提取更好的表示为目标域。特别是，我们解决的挑战，提高性能的VERDICT-MRI，一种先进的扩散加权成像技术，通过利用标记的MP-MRI数据。与几种无监督域自适应方法相比，我们的方法产生了实质性的改进，这些改进一直延续到半监督和监督学习环境中。
2021-09-19 cs.CV cs.LG eess.IV
Unsupervised MRI Super-Resolution Using Deep External Learning and Guided Residual Dense Network with Multimodal Image Priors
Osaka Electro-Communication University（大阪电气通信大学）；Ritsumeikan University（立命馆大学）；Shiga University of Medical Science（滋贺医科大学）
深度学习技术已经为自然图像带来了最先进的图像超分辨率。通常，成对的高分辨率和低分辨率图像用于训练深度学习模型。这些技术也被应用于医学图像的超分辨率。医学图像的特征在几个方面与自然图像显著不同。首先，由于成像系统和临床要求的限制，在实际临床应用中难以获得用于训练的高分辨率图像。其次，其他模态高分辨率图像是可用的（例如，高分辨率T1加权图像可用于增强低分辨率T2加权图像）。在本文中，我们提出了一种无监督的图像超分辨率技术的基础上简单的先验知识的人体解剖。该技术不需要目标T2WI高分辨率图像进行训练。此外，我们还提出了一种引导的残差密集网络，它将残差密集网络与引导的深度卷积神经网络结合起来，通过参考同一主题的不同模态高分辨率图像来增强低分辨率图像的分辨率。在公开的脑MRI数据库上的实验表明，我们提出的方法比现有的方法具有更好的性能。
2022-10-13 cs.CV eess.IV
Moner: Motion Correction in Undersampled Radial MRI with Unsupervised Neural Representation
ShanghaiTech University（上海科技大学）；Shanghai Jiao Tong University（上海交通大学）
提出无监督运动校正方法 Moner，利用隐式神经表示结合准静态运动模型与由粗到细哈希编码，在无需训练数据的情况下从欠采样径向 MRI 联合重建图像与估计运动，在域外数据上显著优于现有方法。
2025-07-15 cs.CV eess.IV
Reliable Source Approximation: Source-Free Unsupervised Domain Adaptation for Vestibular Schwannoma MRI Segmentation
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）；College of Computer Science, Sichuan University（四川大学计算机学院）；Shanghai Engineering Research Center of Intelligent Vision and Imaging（上海智能视觉与成像工程技术研究中心）；Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局高性能计算研究所）
针对无源无监督域自适应在MRI分割中的不足，提出可靠源近似方法，利用条件扩散模型生成类似源图像并筛选可靠伪标签，提升前庭神经鞘瘤分割性能。
2024-05-25 cs.CV eess.IV
PASTA: Pathology-Aware MRI to PET Cross-Modal Translation with Diffusion Models
Technical University of Munich (TUM)（慕尼黑工业大学（TUM））；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Klinikum rechts der Isar（右岸医院（慕尼黑工业大学附属医院））
本文提出PASTA，一种基于条件扩散模型的病理感知MRI到PET图像转换框架，通过双臂架构、多模态条件整合及循环交换一致性和体积生成策略，在保留结构与病理细节的同时生成高质量3D PET，使阿尔茨海默病分类性能较MRI提升4%，接近真实PET水平。
2024-05-27 cs.CV eess.IV
MCDDPM: Multichannel Conditional Denoising Diffusion Model for Unsupervised Anomaly Detection in Brain MRI
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文提出多通道条件去噪扩散概率模型MCDDPM，通过在训练中利用健康图像额外信息提升生成保真度，以与DDPM相当的计算成本实现脑MRI无监督异常检测，并在BraTS20和BraTS21数据集上验证了有效性。
2024-09-29 cs.AI cs.CV eess.IV
Unsupervised brain lesion segmentation from MRI using a convolutional autoencoder
University of Iceland（冰岛大学）；Landspitali - University Hospital（兰斯皮塔利大学医院）；The Icelandic Heart Association（冰岛心脏协会）；The Johns Hopkins University（约翰斯·霍普金斯大学）
在人脑的液体衰减反转恢复（FLAIR）和T2加权磁共振成像（MRI）中出现高信号的病变在老年人群的大脑中很常见，可能是由缺血或脱髓鞘引起的。病变是各种神经退行性疾病的生物标志物，使其准确定量对于疾病诊断和进展都很重要。使用监督学习的自动病变检测需要手动注释的图像，这通常是不切实际的。另一方面，无监督病变检测不需要任何手动描绘;然而，由于病变负载、病变位置和体素强度的可变性，这些方法的构建可能具有挑战性。在这里，我们提出了一种新的方法来解决这个问题，使用卷积自动编码器，学习分割脑病变以及白质，灰质和脑脊液重建FLAIR图像作为圆锥组合的softmax层输出从相应的T1，T2和FLAIR图像生成。该模型的一些优点是，无论病变负荷如何，它都能准确地学习分割病变，并且可以用于快速而稳健地分割不在训练集中的新图像。与地面真实手动标签上评估的最先进的分割方法的比较表明，所提出的方法可以很好地生成准确的病变分割，而无需手动注释。
2018-11-23 cs.CV eess.IV
Rethinking Perceptual Metrics for Medical Image Translation
Duke University（杜克大学）
该研究针对医学图像翻译的评估问题，测试了多种感知度量在两项翻译任务上的表现，发现常用感知度量与分割任务相关性差，而像素级SWD度量或适用于细微模态内翻译，指出需进一步研究适配医学场景的评估度量。
2024-04-10 cs.CV cs.LG eess.IV
CoCoLIT: ControlNet-Conditioned Latent Image Translation for MRI to Amyloid PET Synthesis
针对3D神经影像数据高维度与结构复杂性对MRI到淀粉样蛋白PET翻译的挑战，提出基于扩散的潜在生成框架CoCoLIT，通过加权图像空间损失、潜在平均稳定化分析及ControlNet条件控制，显著提升合成质量与分类性能。
2025-11-11 cs.AI cs.CV eess.IV
Unsupervised Cross-Modality Domain Adaptation for Segmenting Vestibular Schwannoma and Cochlea with Data Augmentation and Model Ensemble
Vanderbilt University（范德堡大学）
磁共振成像（MRI）被广泛用于量化前庭神经鞘瘤和耳蜗。最近，深度学习方法在分割这些结构方面表现出了最先进的性能。然而，训练分割模型可能需要在目标域中手动标记，这是昂贵且耗时的。为了克服这个问题，域自适应是一种有效的方法，利用信息从源域获得准确的分割，而不需要手动标签在目标域。在本文中，我们提出了一个无监督的学习框架分割VS和耳蜗。我们的框架利用来自对比增强的T1加权（ceT 1-w）MRI及其标签的信息，并在目标域中没有任何标签的情况下为T2加权MRI生成分割。我们首先应用生成器来实现图像到图像的翻译。接下来，我们从不同模型的集合中集成输出，以获得最终的分割。为了应对来自不同站点/扫描仪的MRI，我们在训练期间应用了各种“在线”增强，以更好地捕获几何变化以及图像外观和质量的变化。我们的方法很容易构建，并产生有前途的分割，在验证集中，VS和耳蜗的平均Dice得分分别为0.7930和0.7432。
2022-08-24 cs.CV eess.IV
Unsupervised Adversarial Domain Adaptation for Uterine layer Segmentation: From Labeled Cine to Unlabeled Dynamic EPI MRI
Institute of Radiology, University Hospital Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学弗里德里希-亚历山大分校埃尔朗根大学医院放射学研究所）；CAIMED（CAIMED机构）；L3S（L3S机构）；Institut für Informationsverarbeitung, Leibniz University Hannover（汉诺威莱布尼茨大学信息处理研究所）
该研究针对子宫层分割问题，提出无监督对抗域自适应框架，迁移电影MRI的分割知识至动态EPI MRI，结合Unet-LSTM与多尺度域判别器，实现了良好的分割效果，为探究子宫收缩性与T2*变化的关联提供了可行方法。
2026-08-05 cs.CV eess.IV
To deform or not: treatment-aware longitudinal registration for breast DCE-MRI during neoadjuvant chemotherapy via unsupervised keypoints detection
Radboud University Medical Centre（拉德堡德大学医学中心）；The Netherlands Cancer Institute（荷兰癌症研究所）；Macao Polytechnic University（澳门理工大学）；Maastricht University Medical Centre（马斯特里赫特大学医学中心）
本文提出基于无监督关键点检测与选择性体积保持的条件金字塔纵向配准网络，在 NAC 乳腺 DCE-MRI 上保护肿瘤体积并提升配准及 pCR 预测性能。
2024-01-17 cs.CV eess.IV
