Automatic Tongue Delineation from MRI Images with a Convolutional Neural Network Approach
Université de Lorraine(洛林大学);INSERM(法国国家健康与医学研究院);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);CHRU de Nancy(南锡大学区域中心医院)
针对实时 MRI 中伪影导致的舌体轮廓提取难题,本文采用 U-Net 自编码器 CNN 并结合概率图后处理生成 1 像素宽轮廓,在受试者内和受试者间验证中取得优于既有方法的结果。
2024-12-06 cs.AI
Angular Super-Resolution in Diffusion MRI with a 3D Recurrent Convolutional Autoencoder
University of Manchester(曼彻斯特大学);University of Sheffield(谢菲尔德大学)
高分辨率弥散MRI(dMRI)数据通常受到临床环境中有限扫描时间的限制,从而限制了下游分析技术的使用。在这项工作中,我们开发了一个3D递归卷积神经网络(RCNN),能够在角(q空间)域中超分辨dMRI体积。我们的方法制定了一个补丁式回归使用3D自动编码器的条件下,目标b向量的角度超分辨率的任务。在网络中,我们使用卷积长短期记忆(ConvLSTM)单元来模拟q空间样本之间的关系。我们比较模型的性能对基线球谐插值和一个1D的模型架构的变体。我们表明,3D模型在不同的子采样方案和b值中具有最低的错误率。3D RCNN的相对性能在非常低的角分辨率域中最大。这个项目的代码可以在https://github.com/m-lyon/dMRI-RCNN上找到。
2022-03-29 cs.CV eess.IV
Cine cardiac MRI reconstruction using a convolutional recurrent network with refinement
Institute for Digital Communications, University of Edinburgh(爱丁堡大学数字通信研究所);Institute of Information Science and Technologies “Alessandro Faedo”, National Research Council of Italy (CNR)(意大利国家研究委员会信息科学与技术研究所(亚历山德罗·法埃多));Department of Information Engineering, University of Pisa(比萨大学信息工程系);Institute for Infrastructure and Environment, University of Edinburgh(爱丁堡大学基础设施与环境研究所);The Alan Turing Institute(阿兰·图灵研究所)
针对Cine心脏MRI欠采样重建问题,提出结合单图像超分辨率精修模块的卷积循环神经网络(CRNN)架构,并采用带高通滤波器的$\ell_1$损失强调高频细节,显著提升了重建图像质量。
2023-09-23 cs.CV cs.LG eess.IV
Deep Unfolding Convolutional Dictionary Model for Multi-Contrast MRI Super-resolution and Reconstruction
East China Normal University(华东师范大学)
针对多对比度MRI超分辨率与重建中相关性建模不足及可解释性欠缺的问题,提出由近端梯度展开、ResNet实现近端算子并引入多尺度字典的MC-CDic模型,性能优于现有SOTA方法。
2024-01-24 cs.CV eess.IV
Convolutional Neural Networks with Intermediate Loss for 3D Super-Resolution of CT and MRI Scans
University of Bucharest(布加勒斯特大学);``Carol Davila'' University of Medicine and Pharmacy(“卡罗尔·达维拉”医药大学);Colțea Hospital(科尔采亚医院)
提出一种基于10层卷积层和中间上采样层的深度CNN方法,用于CT和MRI扫描的3D超分辨率,通过中间损失和可变标准差高斯平滑提升性能,在2D和3D超分辨率任务上优于现有方法和插值基线。
2023-04-06 cs.CV cs.LG eess.IV
CQ CNN: A Hybrid Classical Quantum Convolutional Neural Network for Alzheimer's Disease Detection Using Diffusion Generated and U Net Segmented 3D MRI
North South University(北南大学);Johns Hopkins University(约翰斯·霍普金斯大学);Mahdy Research Academy(马赫迪研究院)
提出一种混合经典量子卷积神经网络CQ CNN,通过扩散模型生成数据和Skull Net分割处理3D MRI,以仅13K参数实现97.50%准确率检测阿尔茨海默病,超越SOTA且大幅降低资源消耗。
2025-03-04 cs.AI cs.CV cs.LG
Deep Learning for Early Alzheimer Disease Detection with MRI Scans
University of Texas Rio Grande Valley(德克萨斯大学里奥格兰德河谷分校)
本研究针对40岁以上人群的阿尔茨海默病,基于OASIS脑部MRI数据集对比卷积神经网络、贝叶斯卷积神经网络及U-net模型,解决数据不平衡问题并通过多指标评估模型优劣,为AI辅助AD诊断及医学影像相关创新提供参考。
2025-01-17 cs.AI cs.CV eess.IV
Preoperative Rotator Cuff Tear Prediction from Shoulder Radiographs using a Convolutional Block Attention Module-Integrated Neural Network
Seoul National University College of Medicine(首尔大学医学院);SMG-SNU Boramae Medical Center(首尔市立大学首尔大学Borame医疗中心);Hanyang University(汉阳大学);Hankuk University of Foreign Studies(韩国外国语大学);Canon Medical Systems Korea(佳能医疗系统韩国公司);Yonsei University College of Medicine(延世大学医学院)
本研究提出集成卷积块注意力模块的深度神经网络,基于肩部X光片预测肩袖撕裂,达到0.889的平均AUC与0.831的准确率,可为昂贵的MRI检查提供术前预评估或替代方案。
2024-08-19 cs.AI cs.CV eess.IV
Early diagnosis of Alzheimer's disease from MRI images with deep learning model
University of Tabriz(大不里士大学)
针对阿尔茨海默病MRI图像数据集的类别不平衡问题,提出利用SMOTE技术并结合预训练CNN与DEMNET网络提取特征,实现了98.67%的早期诊断准确率。
2024-09-27 cs.AI cs.CV cs.LG
Brain MRI Image Super Resolution using Phase Stretch Transform and Transfer Learning
UCLA(加州大学洛杉矶分校);Tsinghua University(清华大学)
证明了一种无幻觉和计算效率高的算法,用于提高脑MRI图像的分辨率。
2018-07-31 cs.CV
Magnitude-image based data-consistent deep learning method for MRI super resolution
Shanghai Starriver Bilingual School(上海星河湾双语学校);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
磁共振成像(MRI)在临床上产生高分辨率图像用于诊断是重要的,但其采集时间长的高分辨率图像。基于深度学习的MRI超分辨率方法可以减少扫描时间,而无需复杂的序列编程,但由于训练数据和测试数据之间的差异,可能会产生额外的伪影。数据一致性层可以改善深度学习结果,但需要原始k空间数据。在这项工作中,我们提出了一种基于幅度图像的数据一致性深度学习MRI超分辨率方法,以提高超分辨率图像的质量,而无需原始k空间数据。实验结果表明,与不带数据一致性模块的相同卷积神经网络(CNN)块相比,该方法可以提高超分辨率图像的NRMSE和SSIM。
2022-09-07 cs.CV eess.IV
Scale-Agnostic Super-Resolution in MRI using Feature-Based Coordinate Networks
Stanford University(斯坦福大学)
我们建议使用一个坐标网络解码器的任务,超分辨率在MRI。坐标网络的连续信号表示使这种方法能够是尺度不可知的,即,可以在连续的尺度范围上进行训练,随后以任意分辨率进行查询。由于对固有噪声数据执行超分辨率的困难,我们分析了多种去噪策略下的网络行为。最后,我们将此方法与标准卷积解码器进行比较,该解码器使用定量指标和在Voxel中实施的放射科医生研究,Voxel是我们新开发的基于Web的医学图像评估工具。
2022-10-18 cs.CV cs.LG
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
Isointense infant brain MRI segmentation with a dilated convolutional neural network
Eindhoven University of Technology(埃因霍温理工大学)
由于白质和灰质之间的对比有限,因此在6个月大时进行脑MRI定量分析是困难的。在这项研究中,我们使用扩张的三平面卷积神经网络结合非扩张的3D卷积神经网络分割婴儿脑MR图像中的白质,灰质和脑脊液,如MICCAI 6个月婴儿脑MRI分割的大挑战所提供的。
2017-08-09 cs.CV
Convolutional module for heart localization and segmentation in MRI
University of Sao Paulo(圣保罗大学);Dalhousie University(达尔豪斯大学)
磁共振成像(MRI)是一种广泛已知的用于评估心脏功能的医学成像技术。深度学习(DL)模型在心脏MRI(CMR)图像中执行多项任务,具有良好的效果,例如分割,估计和疾病检测。许多基于卷积神经网络(CNN)的深度学习模型通过自动或手动检测感兴趣区域(ROI)来改进。在本文中,我们描述了视觉运动焦点(VMF),一个模块,检测心脏运动的4D MRI序列,并突出显示ROI的径向基函数(RBF)的估计运动场的重点。我们在三个CMR数据集上实验和评估了VMF,观察到所提出的ROI覆盖了99.7%的数据标签(召回分数),在ROI提取后将CNN分割(平均Dice分数)提高了1.7(p < .001),并将整体训练速度提高了2.5倍(+150%)。
2021-07-19 cs.AI cs.CV eess.IV
Comparative Analysis of 3D Convolutional and 2.5D Slice-Conditioned U-Net Architectures for MRI Super-Resolution via Elucidated Diffusion Models
本文比较了3D卷积U-Net与2.5D切片条件化U-Net架构,利用阐明扩散模型提升MRI超分辨率,3D模型在PSNR、SSIM和LPIPS指标上均优于基线模型。
2026-11-16 cs.AI cs.CV
Residual and Plain Convolutional Neural Networks for 3D Brain MRI Classification
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Institute for Information Transmission Problems(信息传输问题研究所)
近年来,有许多研究将深度学习算法应用于神经成像数据。这些研究中使用的管道大多需要多个处理步骤来进行特征提取,尽管图像分类深度学习的现代进步可以为自动特征生成和更直接的分析提供强大的框架。在本文中,我们展示了如何通过跳过这些特征提取步骤,使用残差和普通3D卷积神经网络架构来实现类似的性能。我们证明了阿尔茨海默病与轻度认知障碍和正常对照的阿尔茨海默病国家倡议(ADNI)的三维结构MRI脑扫描数据集的分类所提出的方法的性能。
2017-01-23 cs.CV
Multimodal MRI brain tumor segmentation using random forests with features learned from fully convolutional neural network
University of Lincoln(林肯大学)
在本文中,我们提出了一种新的学习为基础的方法自动分割脑肿瘤的多模态MRI图像。机器学习的功能从全卷积神经网络(FCN)和手工设计的纹理特征被用来分类的MRI图像体素。具有逐像素预测的分数图被用作使用FCN从多模态MRI训练数据集学习的特征图。然后将学习到的特征应用于随机Forest,以将每个MRI图像体素分类为正常脑组织和肿瘤的不同部分。在BRATS 2013挑战数据集上评价了该方法。结果表明,随机森林分类器的应用程序,多模态MRI图像使用机器学习的功能的基础上FCN和手工设计的功能的基础上的纹理基元提供了有前途的分割。对于完整肿瘤、核心肿瘤和增强肿瘤,针对地面真实的自动脑肿瘤分割的Dice重叠度量分别为0.88、080和0.73。
2017-04-26 cs.CV cs.LG
Open-Source Manually Annotated Vocal Tract Database for Automatic Segmentation from 3D MRI Using Deep Learning: Benchmarking 2D and 3D Convolutional and Transformer Networks
University of Iowa(爱荷华大学);Shenandoah University(谢南多厄大学)
本研究评估深度学习算法从3D MRI自动分割声道的有效性,并发布开源手动标注数据库,基准测试2D/3D卷积及Transformer网络。
2025-02-28 cs.CV cs.SD eess.AS
MRI Brain Tumor Segmentation using Random Forests and Fully Convolutional Networks
School of Computer Science, University of Lincoln(林肯大学计算机科学学院);National Heart & Lung Institute, Imperial College London(帝国理工学院国家心肺研究所)
在本文中,我们提出了一种新的基于学习的方法自动分割脑肿瘤的多模态MRI图像,它结合了两套机器学习和手工制作的功能。全卷积网络(FCN)形成机器学习的特征,基于纹理基元的特征被认为是手工制作的特征。随机森林(RF)用于将MRI图像体素分类为正常脑组织和肿瘤的不同部分,即水肿、坏死和增强肿瘤。在BRATS 2017挑战数据集上评价了该方法。结果表明,该方法提供了有前途的分割。对于整个肿瘤、核心和增强肿瘤,针对地面实况的自动脑肿瘤分割的平均Dice重叠度量分别为0.86、0.78和0.66。
2019-09-13 cs.CV
Splenomegaly Segmentation on Multi-modal MRI using Deep Convolutional Networks
Vanderbilt University(范德堡大学);Vanderbilt University Medical Center(范德堡大学医学中心);Incyte Corporation(因赛特公司)
脾肿大的发现,脾脏的异常增大,是肝脏和脾脏疾病的非侵入性临床生物标志物。自动分割方法对于从临床获得的腹部磁共振成像(MRI)扫描中有效量化脾肿大至关重要。然而,由于(1)脾肿大的解剖学和空间变化大,(2)多模态MRI上的扫描间和扫描内强度变化大,以及(3)标记的脾肿大扫描数量有限,因此该任务具有挑战性。在本文中,我们提出了脾肿大分割网络(SS-Net),介绍了深卷积神经网络(DCNN)的方法在多模态MRI脾肿大分割。大型卷积核层用于解决空间和解剖学变化,而条件生成对抗网络(GAN)用于以端到端的方式利用SS-Net的分割性能。使用包含T1加权(T1 w)和T2加权(T2 w)MRI脾肿大扫描的临床采集队列来训练和评价多图谱分割(MAS)、2D DCNN网络和3D DCNN网络的性能。从实验结果来看,DCNN方法的性能优于最先进的MAS方法。所提出的SS-Net方法在所研究的基线DCNN方法中获得了最高的中位数和平均Dice分数。
2018-11-09 cs.CV
Cascaded Convolutional Neural Network for Automatic Myocardial Infarction Segmentation from Delayed-Enhancement Cardiac MRI
Beihang University(北京航空航天大学)
自动分割心肌轮廓和相关区域,如梗死和无复流是心肌梗死定量评价的重要步骤。在这项工作中,我们提出了一个级联卷积神经网络自动心肌梗死分割延迟增强心脏MRI。我们首先使用2D U-Net专注于切片内信息来执行初步分割。之后,我们使用一个3D的U-网络,利用体积的空间信息进行微妙的分割。我们的方法在MICCAI 2020 EMIDEC挑战数据集上进行了评估,心肌、梗死和无复流的平均Dice得分分别为0.8786、0.7124和0.7851,优于分割竞赛的所有其他团队。
2020-12-28 cs.CV eess.IV
A Convolutional-based Model for Early Prediction of Alzheimer's based on the Dementia Stage in the MRI Brain Images
School of Information Technology(信息技术学院);University of Cincinnati(辛辛那提大学)
老年痴呆症是一种脑部退化性疾病。是成年人痴呆症的主要原因,并逐渐破坏大脑记忆。尽管阿尔茨海默病目前还无法治愈,但早期诊断将有助于减轻疾病的严重程度。因此,阿尔茨海默氏症的早期诊断可能有助于减少或阻止疾病的进展。在本文中,我们提出了一个基于深度卷积神经网络的学习模型,用于根据磁共振成像(MRI)图像来检测阿尔茨海默病的早期发作,以确定成人痴呆症的阶段。
2023-02-15 cs.CV cs.LG
Predicting Language Recovery after Stroke with Convolutional Networks on Stitched MRI
GlaxoSmithKline(葛兰素史克);University College London(伦敦大学学院);Imperial College London(帝国理工学院)
三分之一的中风幸存者有语言障碍。新出现的证据表明,他们恢复的可能性主要取决于语言中心的损害。因此,先前预测中风后语言恢复的研究集中在识别大脑受损区域。在本文中,我们介绍了一种新的方法,我们只利用缝合的二维横截面的原始MRI扫描在一个深卷积神经网络设置预测中风后的语言恢复。我们的结果显示:a)仅使用MRI扫描的所提出的模型与依赖于病变特定信息的模型具有相当的性能; b)由我们的模型学习的特征与病变特定信息互补,并且两者的组合似乎优于先前在类似设置中报告的结果。我们进一步分析了CNN模型,用于理解大脑中负责使用基于梯度的显着性图来实现这些预测的区域。我们的研究结果与以前的病变研究一致。
2018-11-26 cs.CV
Automatic Renal Segmentation in DCE-MRI using Convolutional Neural Networks
Northeastern University(东北大学);Boston Children’s Hospital(波士顿儿童医院);Harvard Medical School(哈佛医学院)
应用动态增强MRI(DCE-MRI)评价肾功能有助于儿童肾脏疾病的诊断和治疗。肾实质的自动分割是这一过程中的重要一步。在本文中,我们提出了一种时间和内存高效的全自动分割方法,实现了高分割精度的运行时间在正常肾脏和肾脏与肾积水的顺序为秒。所提出的方法是基于两个3D卷积神经网络,采用空间和时间的信息,在同一时间,以学习肾脏的定位和分割的任务,分别级联应用。分割性能进行评估,正常和异常的肾脏与不同程度的肾积水。我们实现了平均骰子系数为91.4和83.6正常和异常的肾脏的儿科患者,分别。
2017-12-19 cs.CV stat.ML
Attention-gated convolutional neural networks for off-resonance correction of spiral real-time MRI
University of Southern California(南加州大学)
螺旋采集在实时MRI中是优选的,因为它们的效率,这使得在自然语音期间捕获声道动态成为可能。螺旋的一个基本限制是由于非共振引起的模糊和信号损失,这会降低空气组织边界处的图像质量。在这里,我们提出了一种新的基于CNN的非共振校正方法,该方法采用了注意力门机制。这利用了过滤输出的空间和通道关系,并提高了网络的表现力。与现有的非共振校正方法相比,我们在1.5特斯拉螺旋语音RT-MRI上证明了注意力门的性能改善。
2021-02-14 cs.CV eess.IV
Learning Deep Convolutional Features for MRI Based Alzheimer's Disease Classification
阿尔茨海默病(AD)或轻度认知功能障碍(MCI)的有效、准确的诊断对于早期治疗至关重要,因此受到越来越多的关注。自首次引入以来,机器学习方法在AD相关研究中越来越受欢迎。在各种鉴定的生物标志物中,磁共振成像(MRI)被广泛用于预测AD或MCI。然而,在可以应用机器学习算法之前,需要提取图像特征以表示MRI图像。虽然良好的表示可以是关键的分类性能,几乎所有以前的研究通常依赖于人的标签,以找到感兴趣的区域(ROI)可能与AD,如海马,杏仁核,楔前叶等,这个过程需要领域的知识,是昂贵和繁琐的。与其依赖于ROI特征的提取,更有希望的是从流水线中删除手动ROI标记并直接在原始MRI图像上工作。换句话说,我们可以让机器学习方法来找出这些信息和区分的图像结构,用于AD分类。在这项工作中,我们提出使用无监督和监督学习来学习深度卷积图像特征。深度学习已经成为机器学习社区中的一个强大工具,并已成功应用于各种任务。因此,我们提出利用基于预训练的大型卷积神经网络(CNN)的MRI图像的深度特征进行AD和MCI分类,这省去了手动ROI注释过程的工作。
2014-04-28 cs.CV
A Convolutional Approach to Vertebrae Detection and Labelling in Whole Spine MRI
University of Oxford(牛津大学);Plexalis Ltd(Plexalis有限公司)
我们提出了一种新的卷积方法,用于检测和识别整个脊柱MRI中的椎骨。这涉及使用学习的矢量场将检测到的椎骨角分组到单个椎体中,以及卷积图像到图像的转换,然后进行波束搜索,以自洽的方式标记椎骨水平。该方法可以在不进行修改的情况下应用于腰椎、颈椎和胸部的一系列不同MR序列扫描。由此产生的系统实现了98.1%的检测率和96.5%的识别率在一个具有挑战性的临床数据集的整个脊柱扫描和匹配或超过以前的系统的性能仅腰椎扫描。最后,我们证明了这种方法的临床适用性,使用它在腰椎和整个脊柱MR扫描的脊柱侧凸自动检测。
2020-07-13 cs.CV eess.IV
A Fully Convolutional Neural Network for Cardiac Segmentation in Short-Axis MRI
从磁共振成像数据集自动心脏分割是心脏病理的及时诊断和管理的重要步骤。我们建议通过应用深度全卷积神经网络架构来解决自动左心室和右心室分割的问题。我们的模型在单个学习阶段中从整个图像输入和地面事实进行端到端的有效训练,以在每个像素上进行推理。据我们所知,这是第一次应用完全卷积神经网络架构在心脏磁共振成像中进行逐像素标记。数值实验表明,我们的模型是鲁棒的,在一系列心脏数据集上的多个评价指标上优于以前的全自动方法。此外,我们的模型速度很快,可以利用图形处理单元等商品计算资源,实现大规模的最先进心脏分割。模型和代码可在https://github.com/vuptran/cardiac-segmentation上获得
2017-04-27 cs.CV
3-D Convolutional Neural Networks for Glioblastoma Segmentation
Stanford University(斯坦福大学)
卷积神经网络(CNN)已经成为学习判别图像特征的强大工具。在本文中,我们提出了一个框架的三维全CNN模型胶质母细胞瘤分割的多模态MRI数据。通过将CNN模型推广到学习3-D肿瘤MRI数据的真正3-D卷积,所提出的方法利用独特的网络架构来解耦图像像素。具体来说,我们设计了一个具有预定义的高斯差分(DoG)滤波器的卷积层,以执行真正的3-D卷积,并在每个像素处结合局部邻域信息。然后,我们使用三个经过训练的卷积层来将体素与初始的3D卷积解耦。所提出的框架允许在MRI上识别高级别肿瘤结构。我们评估了274个肿瘤样本的BRATS分割数据集的分割性能。大量的实验结果表明,令人鼓舞的性能相比,国家的最先进的方法所提出的方法。我们的数据驱动方法在整个肿瘤胶质母细胞瘤分割中实现了89%的中位Dice评分准确度,揭示了从中等大小的MRI数据集学习的普遍低偏倚可能性。
2016-11-14 cs.CV
Enhancing MRI-Based Classification of Alzheimer's Disease with Explainable 3D Hybrid Compact Convolutional Transformers
Institute of Advancing Intelligence, TCG CREST(TCG CREST 智能推进研究所)
本文提出3D混合紧凑卷积Transformer(3D HCCT),融合CNN与ViT以同时捕获3D MRI局部特征和长程关系,并在ADNI上取得优于现有方法的AD分类精度与可解释性。
2024-03-24 cs.CV eess.IV
A CADe System for Gliomas in Brain MRI using Convolutional Neural Networks
Indian Statistical Institute(印度统计研究所);DAV Institute of Engineering and Technology(DAV工程技术学院)
受卷积神经网络(CNN)成功的启发,我们开发了一种新的计算机辅助检测(CADe)系统,使用CNN从多通道MRI数据中检测和分割多形性胶质母细胞瘤(GBM)。两阶段方法首先识别GBM的存在。随后在每个“异常”MR切片中进行GBM定位。作为CADe系统的一部分,采用两种CNN架构,即分类CNN(C-CNN)和检测CNN(D-CNN)。CADe系统将由四个序列($T_1$、$T_{1c},$、$T_2$和$T_{2FLAIR}$)组成的MRI数据视为输入,并自动生成包含每个切片中被视为异常的肿瘤区域的边界框。实验结果表明,所提出的CADe系统,当用作分割前的初步步骤时,可以允许改进的肿瘤区域的描绘,同时减少在大脑的正常区域中出现的假阳性。用于肿瘤分割的GrowCut方法通常需要前景和背景种子区域进行初始化。在这里,该算法的初始化种子自动生成的建议CADe系统的输出,从而导致在改进的性能相比,使用随机种子。
2018-06-20 cs.CV
Testing the robustness of attribution methods for convolutional neural networks in MRI-based Alzheimer's disease classification
Charité – Universitätsmedizin Berlin(柏林夏里特医学院);Freie Universität Berlin(柏林自由大学);Humboldt-Universität zu Berlin(柏林洪堡大学);Berlin Institute of Health (BIH)(柏林健康研究所)
归因方法是一种易于使用的工具,用于调查和验证机器学习模型。文献中提出了多种方法,但尚不清楚哪种方法最适合特定任务。在这项研究中,我们测试了四种属性方法的鲁棒性,即梯度 * 输入,引导反向传播,逐层相关传播和遮挡,用于阿尔茨海默病分类的任务。我们使用相同的训练设置反复训练卷积神经网络(CNN),以分离阿尔茨海默病患者和健康对照的结构MRI数据。之后,我们为测试数据中的每个受试者制作了归因图,并在模型和归因方法之间进行了定量比较。我们表明,视觉比较是不够的,一些广泛使用的归因方法产生高度不一致的结果。
2019-09-19 cs.CV eess.IV
Method for motion artifact reduction using a convolutional neural network for dynamic contrast enhanced MRI of the liver
University of Yamanashi(山梨大学)
目的:旨在使用深度学习方法改善通过动态对比增强MRI(DCE-MRI)获得的图像质量,包括运动伪影和模糊。研究方法:提出了一种基于多通道卷积神经网络(MARC)的方法,用于减少通过DCE-MRI获得的肝脏图像中由呼吸运动引起的运动伪影和模糊。神经网络的训练数据集包括具有和不具有呼吸诱导的运动伪影或模糊的图像,并且通过模拟k空间中的相位误差来生成失真。使用多相T1加权扰相梯度回波序列对肝脏进行患者研究,在数据采集期间包含屏气失败。将训练好的神经网络应用于采集的图像,分析滤波性能,并通过Bland-Altman图比较去噪前后的亮度和对比度。结果如下:发现所提出的网络显着降低了由呼吸运动引起的伪影和模糊的幅度,并且通过网络处理后的图像的对比度与未处理图像的对比度一致。结论:证明并验证了一种基于深度学习的方法,用于去除肝脏中通过DCE-MRI获得的图像中的运动伪影。
2018-10-03 cs.CV cs.LG
Convolutional 3D to 2D Patch Conversion for Pixel-wise Glioma Segmentation in MRI Scans
Shenzhen University(深圳大学)
结构磁共振成像(MRI)已被广泛用于分析和诊断脑部疾病。脑肿瘤的自动分割是一个具有挑战性的任务,计算机辅助诊断,由于低组织对比度的肿瘤子区域。为了克服这一点,我们设计了一种新的逐像素分割框架,通过卷积3D到2D MR补丁转换模型来预测输入滑动补丁中的中心像素的类标签。准确地说,我们首先从每个模态中提取3D补丁,通过挤压和激励(SE)块校准切片。然后,SE块的输出被直接馈送到后续瓶颈层,以减少通道的数量。最后,校准的2D切片被连接以通过用于预测中心像素的2D卷积神经网络(CNN)获得多模态特征。在我们的架构中,局部切片间和全局切片内特征被联合利用,通过2D CNN分类器来预测给定块中中心体素的类标签。我们通过可训练参数隐式地应用所有模态,为每个序列的分割贡献分配权重。在多模态MRI扫描(BraTS'19)中分割脑肿瘤的实验结果表明,我们提出的方法可以有效地分割肿瘤区域。
2020-10-20 cs.CV eess.IV
Multi-region segmentation of bladder cancer structures in MRI with progressive dilated convolutional networks
ETS Montreal(蒙特利尔工程技术学院);Fourth Military Medical University(第四军医大学);Xidian Univeristy(西安电子科技大学)
膀胱壁和肿瘤区域的精确分割是无创识别肿瘤分期和分级的重要一步,这对膀胱癌(BC)患者的治疗决策和预后至关重要。然而,在磁共振图像(MRI)中自动描绘膀胱壁和肿瘤是一项具有挑战性的任务,这是由于重要的膀胱形状变化、尿液中强烈的强度不均匀性以及人群中非常高的变异性,特别是在肿瘤外观上。为了解决这些问题,我们建议使用深度全卷积神经网络。建议的网络包括扩张卷积,以增加接收场,而不会产生额外的成本,也不会降低其性能。此外,我们在每个卷积块中引入渐进式扩张,从而实现广泛的感受野,而无需大的扩张率。建议的网络进行评估3.0T T2加权MRI扫描从60例病理证实的BC患者。实验结果表明,该模型具有较高的准确性,内壁、外壁和肿瘤区域的平均Dice相似系数分别为0.98、0.84和0.69。这些结果代表了一个非常好的协议与参考轮廓和性能的增加相比,现有的方法。此外,对于整个3D体积,推断时间小于一秒,这比用于该应用的相关最先进方法快2-3个数量级。我们表明,CNN可以在MRI上对膀胱癌患者的膀胱壁和肿瘤进行精确分割。整个分割过程是全自动的,并且产生的结果与参考标准非常一致,证明了深度学习模型用于膀胱癌MRI图像的自动多区域分割的可行性。
2018-11-20 cs.CV
A Comparison and Evaluation of Fine-tuned Convolutional Neural Networks to Large Language Models for Image Classification and Segmentation of Brain Tumors on MRI
本研究对比了微调前后的LLMs与CNNs在MRI脑肿瘤分类和分割任务中的表现,发现CNNs在准确率和空间定位上均优于LLMs,表明当前LLMs尚不适合直接处理此类医学图像任务。
2025-09-12 cs.AI cs.CV
Technical Considerations for Semantic Segmentation in MRI using Convolutional Neural Networks
Stanford University(斯坦福大学)
在临床和研究应用中,磁共振体积的高保真语义分割对于估计组织形态和弛豫参数至关重要。虽然手动分割被认为是黄金标准,但深度学习和卷积神经网络(CNN)的最新进展已经显示出有效自动分割软组织的前景。然而,由于深度学习的随机性和训练网络中的大量超参数,预测网络行为具有挑战性。在本文中,我们量化了与CNN分割性能相关的三个因素的影响:网络架构、训练损失函数和训练数据特征。我们评估了这些变化对股骨软骨分割的影响,并对CNN架构和训练协议提出了潜在的修改,以训练这些模型。
2019-02-05 cs.CV eess.IV
2D and 3D Deep Learning Models for MRI-based Parkinson's Disease Classification: A Comparative Analysis of Convolutional Kolmogorov-Arnold Networks, Convolutional Neural Networks, and Graph Convolutional Networks
University of Oxford(牛津大学);King’s College London(伦敦国王学院);Guy’s and St Thomas’ NHS Foundation Trust(盖伊和圣托马斯国民保健服务基金会信托)
本研究首次将3D ConvKANs应用于基于结构MRI的帕金森病分类,对比CNNs和GCNs,发现ConvKANs在准确率和跨数据集泛化能力上表现优异,突显了3D分析的重要性。
2024-09-26 cs.CV eess.IV q-bio.QM
Analysis of Deep Complex-Valued Convolutional Neural Networks for MRI Reconstruction
Stanford University(斯坦福大学);Apple Inc.(苹果公司);GE Healthcare(GE医疗)
许多真实世界的信号源是复值的,具有实部和虚部。然而,绝大多数现有的深度学习平台和网络架构都不支持使用复值数据。MRI数据本质上是复值的,因此现有方法丢弃了复数据的更丰富的代数结构。在这项工作中,我们研究了端到端复值卷积神经网络-特别是代替双通道实值网络的图像重建。我们将其应用于磁共振成像重建的目的,加速扫描时间,并确定各种有前途的复值激活函数的性能。我们发现,在各种网络架构和数据集上,与具有相同数量可训练参数的实值卷积相比,具有复值卷积的复值CNN提供了更好的重建。
2020-05-12 cs.CV cs.LG eess.IV
Heart Segmentation From MRI Scans Using Convolutional Neural Network
University of Karachi(卡拉奇大学);Zhejiang University(浙江大学);Iqra University(伊克拉大学);Karachi Institute of Economics and Technology(卡拉奇经济与技术学院);King Abdulaziz University(阿卜杜勒阿齐兹国王大学)
心脏是人体的重要器官之一。即使是很短的时间间隔,轻微的心脏功能障碍也可能是致命的,因此,有效地监测其生理状态对心血管疾病患者至关重要。在最近的过去,已经提出了各种计算机辅助医学成像系统用于感兴趣器官的分割。然而,对于使用MRI的心脏分割,只有少数方法已被提出,每一个都有自己的优点和缺点。为了进一步推进这一领域的研究,我们分析了磁共振图像的自动心脏分割方法。该分析基于深度学习方法,该方法以逐层方式处理完整的MR扫描,以预测心脏区域的所需掩模。我们设计了两个编码器/解码器类型的全卷积神经网络模型
2019-11-21 cs.CV eess.IV
Visualizing Convolutional Networks for MRI-based Diagnosis of Alzheimer's Disease
Charité – Universitätsmedizin Berlin(柏林夏里特医学院);Freie Universität Berlin(柏林自由大学);Humboldt-Universität zu Berlin(柏林洪堡大学);Berlin Institute of Health(柏林健康研究所);Bernstein Center for Computational Neuroscience(伯恩斯坦计算神经科学中心);Berlin Center for Advanced Neuroimaging(柏林高级神经影像中心);Technical University Berlin(柏林工业大学)
可视化和解释卷积神经网络(CNN)是提高自动医疗决策系统信任度的重要任务。在这项研究中,我们训练了一个3D CNN来检测阿尔茨海默病的基础上结构MRI扫描的大脑。然后,我们应用四种不同的基于梯度和基于遮挡的可视化方法,通过突出显示输入图像中的相关区域来解释网络的分类决策。我们比较了定性和定量的方法。我们发现,所有四种方法都集中在已知与阿尔茨海默病有关的大脑区域,如颞下回和颞中回。基于遮挡的方法更多地关注特定区域,而基于梯度的方法拾取分布式相关模式。此外,我们发现相关性的分布在患者之间存在差异,有些患者对颞叶的关注更强,而对于其他患者,更多的皮质区域是相关的。总之,我们表明,应用不同的可视化方法对于理解CNN的决策非常重要,这一步对于增加基于计算机的决策支持系统的临床影响和信任至关重要。
2018-08-08 cs.CV
Automated Classification of Body MRI Sequence Type Using Convolutional Neural Networks
Clinical Center, National Institutes of Health(美国国立卫生研究院临床中心)
针对身体MRI序列缺乏标准命名导致需临床医生监督的问题,提出基于3D DenseNet-121的自动分类方法,在区分5种常见MRI序列时达到99.5%的F1分数,优于现有方法。
2024-02-12 cs.CV eess.IV
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
InfiNet: Fully Convolutional Networks for Infant Brain MRI Segmentation
Technical University of Munich(慕尼黑工业大学);German Center for Degenerative Diseases (DZNE)(德国退行性疾病中心(DZNE));Johns Hopkins University(约翰斯·霍普金斯大学)
我们提出了一种新的,参数高效和实用的全卷积神经网络架构,称为InfiNet,旨在在等强度阶段的婴儿大脑MRI图像的逐体素语义分割,它可以很容易地扩展到其他涉及多模态的分割任务。InfiNet由用于T1和T2输入扫描的双编码器臂组成,输入到终止于分类层的联合解码器臂。InfiNet的新颖性在于解码器对来自多个编码器臂的较低分辨率输入特征图进行上采样的方式。具体地,在每个编码器块的最大池化层中计算的池化索引与对应的解码器块相关,以执行非线性无学习上采样。稀疏映射与中间编码器表示(跳过连接)连接,并与可训练滤波器卷积以产生密集特征映射。InfiNet经过端到端的训练,以优化广义骰子损失,这非常适合高等级的不平衡。InfiNet在不到50秒的时间内实现了全体积分割,我们展示了与多种最先进的深度架构及其多模态变体相比的竞争性能。
2018-10-11 cs.CV
Splenomegaly Segmentation using Global Convolutional Kernels and Conditional Generative Adversarial Networks
Vanderbilt University(范德堡大学);Incyte Corporation(因赛特公司)
使用自动图像分割技术的脾体积估计可用于在磁共振成像(MRI)扫描上检测脾肿大(异常增大的脾)。近年来,深度卷积神经网络(DCNN)分割方法在腹部器官分割方面表现出了优势。然而,当部署基于DCNN的方法时,MRI图像上脾脏的大小和形状的变化可能导致大的假阳性和假阴性标记。在本文中,我们提出了脾肿大分割网络(SSNet),以解决分割非常大的脾脏时的空间变化。SSNet是基于图像到图像条件生成对抗网络(cGAN)框架设计的。具体而言,全局卷积网络(GCN)被用作生成器以减少假阴性,而马尔可夫链(PatchGAN)被用于减轻假阳性。来自脾肿大患者的临床获得的3D MRI扫描(T1加权和T2加权)的队列被用于训练和测试网络。实验结果表明,平均Dice系数为0.9260,中位数Dice系数为0.9262,使用SSNet独立测试的脾肿大患者的MRI体积。
2017-12-02 cs.CV
Accelerated MRI With Deep Linear Convolutional Transform Learning
University of Minnesota(明尼苏达大学);Sungkyunkwan University(成均馆大学)
最近的研究表明,基于深度学习(DL)的MRI重建在多种应用中优于传统方法,例如并行成像和压缩感知(CS)。与通常使用预定线性表示进行正则化的CS不同,DL本质上使用从大型数据库中学习的非线性表示。另一种工作方式是使用变换学习(TL),通过从数据中学习线性表示来弥合这两种方法之间的差距。在这项工作中,我们结合了CS,TL和DL重建的思想来学习深度线性卷积变换作为算法展开方法的一部分。使用端到端训练,我们的结果表明,所提出的技术可以重建MR图像的水平与DL方法相当,同时支持统一的欠采样模式,而不像传统的CS方法。我们所提出的方法依赖于凸稀疏图像重建与线性表示在推理时间,这可能是有益的特征的鲁棒性,稳定性和泛化能力。
2022-08-19 cs.CV cs.LG eess.IV
A Deep Dive into Understanding Tumor Foci Classification using Multiparametric MRI Based on Convolutional Neural Network
Henry Ford Health System(亨利福特医疗系统);Wayne State University(韦恩州立大学)
深度学习模型在使用皮肤癌图像或肺部X射线的大型数据库进行疾病分类方面取得了巨大成功。然而,数据稀缺一直是直接在前列腺多参数MRI(mpMRI)上应用深度学习模型的障碍。尽管在过去的几年里,自然图像的模型解释已经得到了大量的研究,但缺乏对医学图像训练的深度学习模型的解释。这项工作为前列腺mpMRI的小而不平衡的数据集设计了一个定制的工作流程,其中从深度学习模型中提取特征,然后通过传统的机器学习分类器进行分析。此外,这项工作有助于揭示深度学习模型如何解释前列腺癌患者分层的mpMRI。
2020-05-14 cs.CV eess.IV q-bio.QM
Automatic Myocardial Infarction Evaluation from Delayed-Enhancement Cardiac MRI using Deep Convolutional Networks
ImViA Laboratory, University of Burgundy(勃艮第大学ImViA实验室);CHU Dijon(第戎大学医院);CGFL;Institut Curie(居里研究所)
在本文中,我们提出了一个新的深度学习框架,用于根据临床信息和延迟增强MRI(DE-MRI)自动评估心肌梗死。拟议框架涉及两项任务。第一个任务是从短轴DE-MRI系列中自动检测心肌轮廓、梗死区、无复流区和左心室腔。它采用两个分割神经网络。第一个网络用于分割解剖结构,如心肌和左心室腔。第二个网络用于分割心肌梗死、心肌无复流和正常心肌区域等病理区域。来自第一网络的分割的心肌区域进一步用于细化第二网络的病理分割结果。第二个任务是根据有或没有DE-MRI的临床信息将给定病例自动分类为正常或病理。一个级联的支持向量机(SVM)被用来分类一个给定的情况下,从其相关的临床信息。来自DE-MRI的分割的病理区域也用于分类任务。我们在2020年EMIDEC MICCAI挑战数据集上评估了我们的方法。左心室腔和心肌的平均Dice指数分别为0.93和0.84。仅使用临床信息的分类在五倍交叉验证中产生了80%的准确性。使用DE-MRI,我们的方法可以对病例进行分类,准确率为93.3%。实验结果表明,该方法可以自动评估心肌梗死。
2020-10-30 cs.CV eess.IV
3D Deformable Convolutions for MRI classification
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术学院);Moscow Institute of Physics and Technology(莫斯科物理技术学院)
深度学习卷积神经网络已被证明是MRI分析的强大工具。在目前的工作中,我们探索了可变形卷积深度神经网络层用于MRI数据分类的潜力。我们提出了新的3D可变形卷积(d-卷积),在VoxResNet架构中实现它们,并应用于结构MRI数据分类。我们表明,3D d-卷积优于标准的,是有效的未处理的3D MR图像是强大的数据的特定几何属性。首先,提出的dVoxResNet架构具有很高的潜力,用于MRI数据分类。
2019-11-05 cs.CV cs.LG eess.IV
A fully 3D multi-path convolutional neural network with feature fusion and feature weighting for automatic lesion identification in brain MRI images
New Jersey Institute of Technology(新泽西理工学院);Kessler Foundation(凯斯勒基金会);Emory University(埃默里大学);Atlanta VA Medical Center(亚特兰大退伍军人事务医疗中心);Medical College of Wisconsin(威斯康星医学院);Rutgers University - Newark(罗格斯大学纽瓦克分校)
我们提出了一个全三维多路径卷积网络来预测中风病变的三维脑MRI图像。我们的多路径模型具有针对包含残余卷积块的不同模态的独立编码器、来自不同模态的加权多路径特征融合以及用于组合编码器和解码器特征的加权融合模块。与DeepMedic、3D U-Net和AnatomyNet等现有的3D CNN相比,我们的网络在220名患者的大型ATLAS基准测试中实现了最高的统计学显著交叉验证准确率(60.5%)。我们还在来自Kessler Foundation和Medical College Wisconsin的多模态图像上测试了我们的模型,并实现了65%的统计学显著交叉验证准确率,显著优于多模态3D U-Net和DeepMedic。总的来说,我们的模型提供了一个原则性的,可扩展的多路径方法,优于多通道的替代品,并在现有的基准实现高骰子精度。
2019-11-16 cs.CV cs.LG eess.IV
Automatic Classification of Alzheimer's Disease using brain MRI data and deep Convolutional Neural Networks
University of Kerbala(卡尔巴拉大学)
阿尔茨海默病(AD)是当今世界面临的最常见的公共卫生问题之一。这种疾病的患病率很高,主要发生在老年人中,伴有记忆力丧失和认知能力下降。AD检测是一项具有挑战性的任务,许多作者已经开发了许多利用神经成像和其他临床数据的计算机化自动诊断系统。MRI扫描提供了高强度的可见特征,使这些扫描成为最广泛使用的脑成像技术。近年来,深度学习在医学图像分析方面取得了领先的成功。但是,将深度学习技术应用于大脑MRI分类的研究相对较少。本文探讨了在大脑MRI图像和分割图像上评估的几种深度学习架构的构建。分割图像背后的思想研究了图像分割步骤对深度学习分类的影响。图像处理提供了一个由增强MRI扫描的预处理和由分割脑组织的分割方法组成的后处理组成的流水线。结果表明,处理后的图像在四种不同的架构中实现了AD与CN(认知正常)的二进制分类的更好的准确性。ResNet架构在其他架构中的预测准确率最高(原始大脑图像为90.83%,处理后的图像为93.50%)。
2022-03-31 cs.CV eess.IV physics.med-ph
Over-and-Under Complete Convolutional RNN for MRI Reconstruction
Johns Hopkins University(约翰斯·霍普金斯大学)
由于欠采样操作引入的各种伪影,从欠采样数据重建磁共振(MR)图像是一个具有挑战性的问题。最近用于MR图像重建的基于深度学习的方法通常利用通用自动编码器架构,其在初始层处捕获低级特征并且在更深层处捕获高级特征。这种网络主要关注全局特征,这些特征对于重建全采样图像可能不是最佳的。本文提出了一种上下完全卷积递归神经网络(OUCR),它由一个过完备卷积递归神经网络(CRNN)和一个欠完备卷积递归神经网络(CRNN)组成。过完备分支通过限制网络的感受野来学习局部结构。将其与不完全分支相结合,可以得到一个更关注低级特征而不丢失全局结构的网络。在两个数据集上的大量实验表明,该方法比压缩感知和流行的基于深度学习的方法具有更少的可训练参数,实现了显着的改进。
2021-06-25 cs.CV eess.IV
Deep Convolutional Neural Network based Classification of Alzheimer's Disease using MRI data
University of Engineering and Technology Taxila(塔克西拉工程技术大学);University of Central Florida(中佛罗里达大学)
阿尔茨海默病(Alzheimer's disease,AD)是一种进行性的、无法治愈的神经退行性疾病,它破坏脑细胞,导致患者记忆力丧失。早期发现可以防止患者的脑细胞进一步受损,从而避免永久性记忆丧失。在过去的几年里,各种自动化的工具和技术已经提出了诊断AD。有几种方法专注于快速,准确和早期发现疾病,以尽量减少对患者心理健康的损失。虽然机器学习和深度学习技术通过提供接近人类水平的诊断性能,显着改善了AD的医学成像系统。但多类分类过程中面临的主要问题是大脑结构中存在高度相关的特征。在本文中,我们提出了一种基于二维深度卷积神经网络(2D-DCNN)使用不平衡三维MRI数据集诊断AD的智能准确方法。在阿尔茨海默病神经成像倡议磁共振成像(MRI)数据集上的实验结果证实,所提出的2D-DCNN模型在准确性、效率和鲁棒性方面具有优越性。该模型将MRI分为三类:AD,轻度认知障碍和正常对照:并已达到99.89%的分类准确率与不平衡类。与现有的方法相比,该模型在精度上有明显的提高。
2021-01-08 cs.CV cs.LG eess.IV