医学影像顶刊TMI速递 | 2023年11月(下)

医学影像顶刊TMI/MIA速递专栏旨在为读者提供最新的前沿研究,以便于快速了解和泛读。专栏提供了每篇论文的概述,方便读者获取基本信息。当然,目前专栏还存在一些问题,如果您有任何建议,无论是关于排版还是内容形式等方面,请在留言区给我们反馈,我们将不断改进,以便更好提供前沿科研。感谢您的支持和关注!
医学影像顶刊TMI速递|2023年11月(上)
2 0 23 年

● TMI:IEEE Transactions on Medical Imaging.

● IF/JCR/分区:10.6/Q1/中科院一区
● 本月共计26篇。本期共计13篇。分上下期。
● 关注公众号,回复TMI-202311】获取本月论文。
● 速递内容:文章标题(英文标题、中文标题、关键词标签);研究背景(问题背景、过去方法、研究动机);研究方法(理论背景、技术路线);研究结论(实验设置、实验结果、工作局限)。
目录
1.屏幕和沉浸场景下病理显微图像的盲图像质量评估
2.基于力学先验超声弹性成像侧向位移估计
3.分类中训练时间和测试时间数据增强的联合优化
4.一种弱监督梯度归因约束用于可解释的分类和异常检测
5.F-DARTS: 基于凹凸不平可微分架构搜索的多模态医学图像融合
6.医学图像到图像的空间-强度变换
7.基于瓶颈融合Transformer的多模态全切片图像分析中的共享-特定特征学习
8.眼动引导的视觉Transformer用于矫正快捷学习
9.多尺度变换器网络与边缘感知预训练用于跨模态MR图像合成
10.用于机器人手术器械分类的分支聚合注意力网络
11.用于并行成像重建的Hankel-k空间单次生成先验    
12.多频三维横波绝对式前列腺振动弹性成像(S波)系统
13.基于血管表面网格的几何深度学习用于非形态非破裂颅内动脉瘤检测   

No.1  Blind Image Quality Assessment for Pathological Microscopic Image Under Screen and Immersion Scenarios

  • 标题:屏幕和沉浸场景下病理显微图像的盲图像质量评估。
  • 标签:图像质量评估、计算病理、显微图像

研究背景:    

  • 问题背景:病理显微图像在医学诊断和疾病辅助分析中起着重要作用,但图像失真会影响病理学家的分析和判断。因此,需要开发一种病理图像质量控制算法。
  • 过去方法:目前的图像质量评估方法不适用于病理显微图像,因为它们具有特殊性。现有的盲图像质量评估算法无法处理病理显微图像的特殊失真类型。
  • 研究动机:本文旨在开发一种基于深度学习的盲目图像质量评估(IQA)模型,用于病理显微图像。目标是量化这些图像的视觉失真程度,并指导图像系统改善图像质量。

研究方法:  

  • 理论背景:通过引入显著性块和补丁块,以处理局部和全局失真,并通过眼动数据微调显著性块,以更好地捕捉病理学家的兴趣区域。此外,通过构建病理显微图像质量数据库,本文为病理显微图像的质量评估模型的发展提供了支持。
  • 技术路线:该模型包括输入、特征提取器、显著性块、补丁块和全局平均池化。特征提取器使用VGG网络架构从输入图像块中提取特征向量。显著性块和补丁块分别用于处理局部和全局失真。模型使用从病理学家记录的眼动数据进行微调,以改善病理图像中的显著性预测。提取的特征然后通过多层感知器传递,预测图像的质量得分。

研究结论:  

  • 实验设置:该模型在80%的PMIQD-SIS数据集上进行训练,并在剩余的20%上进行测试。使用Pearson线性相关系数(PLCC)和Spearman秩相关系数(SRCC)作为实验评估指标。
  • 实验结果:    
  • 工作局限:
    • 该模型有可能成为医学IQA领域中的一个预先训练好的“大”模型。未来可以基于流程在临床和科学研究中进行应用;
    • 沉浸式场景中的医疗IQA还需要进一步的研究,包括调查不同沉浸式设备、沉浸式场景的亮度等相关因素对用户体验的影响;
    • 可能开发更高效的虚拟现实技术,组合多模式医学图像,并为远程医疗应用开发虚拟现实。

 

No.2 Exploiting Mechanics-Based Priors for Lateral Displacement Estimation in Ultrasound Elastography  

  • 标题:基于力学先验的超声弹性成像侧向位移估计。
  • 标签:超声弹性成像、机械约束、有效泊松比、分析优化、高质量横向估算    

研究背景:  

  • 问题背景:超声弹性成像是一种通过描绘组织的机械特性来识别病理的超声临床应用。然而,由于超声在横向方向上获取信息的能力较差,现有的位移估计技术无法生成准确的横向位移或应变图。
  • 过去方法:
    • 一些方法通过增加采样数量来提高横向估计的精度,但这会导致计算和内存开销大。
    • 另一些方法完全依赖于轴向位移估计,忽略了数据保真性,导致误差较大。
    • 还有一些方法通过机械对应关系从准确的轴向和嘈杂的横向先验中推导出高质量的横向估计,但这些方法忽略了RF数据的重要性。
  • 研究动机:鉴于现有方法的局限性,本研究旨在利用有效的泊松比机械对应关系、RF数据保真性和位移连续性来改善横向位移和应变估计的准确性。

研究方法 :    

  • 技术路线:
    • 位移场的初始猜测是使用动态规划(DP)获得的。位移场的细化是使用连续优化技术进行的。
    • 提出的技术MechSOUL和L1-MechSOUL优化了包含有效泊松比(EPR)的正则化成本函数,以利用不同应变分量之间的力学关系。
    • MechSOUL对机械不一致性和位移导数的L2范数进行惩罚,而L1-MechSOUL使用L1范数。
    • 算法迭代更新应变图和EPR分布。

研究结论:  

  • 实验设置:
    • 作者使用模拟幻影、真实乳房幻影和体内肝癌数据集进行了各种实验。
    • 使用有限元分析和超声模拟软件创建了具有不同弹性和泊松比的模拟幻影,并使用线性阵列探头进行了压缩,并使用超声系统获取了RF数据。
    • 从接受RF热消融治疗的患者收集了体内肝癌数据集,使用线性阵列探头和超声机获取了RF数据。
  • 实验结果:模拟、体模和活体数据集的大量验证实验表明,MechSOUL和L1-MechSOUL的横向应变和EPR估计能力大大优于最近公布的弹性成像技术。
  • 工作局限:
    • 在EPR分布朝着错误方向进行的更具挑战性的数据集的情况下,它们的性能可能会下降。这个问题的一个潜在解决方案是结合一个与EPR无关的张量几何驱动的机械约束,如相容条件。

 

No.3 Joint Optimization of Class-Specific Training- and Test-Time Data Augmentation in Segmentation

  • 标题:分类中训练时间和测试时间数据增强的联合优化。    
  • 标签:图像分割、数据增强,元学习

研究背景:  

  • 问题背景:对于医学图像分割算法来说,在未见过的测试数据上表现良好是至关重要的。已经提出了一些方法,可以直接从可用的训练数据中自动学习有效的增强方法。
  • 过去方法:
    • 当前数据增强策略的性能受到两个主要限制。首先,以前的研究主要集中在TRA或TEA中的一个,而忽视了它们之间的联系,尽管这两者密切相关;    
    • 大多数TRA采用相同的变换来处理所有样本,而不考虑不同类别中存在的不同属性。当前的数据增强策略未能对不同类别的样本的异质性进行建模,导致的模型性能可能在类别不平衡下过拟合。
  • 研究动机:本研究旨在通过提出一种基于梯度的元学习框架,自动发现最佳的TRA和TEA策略,来弥合TRA和TEA之间的差距。通过考虑类别属性和测试条件,我们的数据增强框架进一步重构了数据分布,以增加重叠。

研究方法:  

  • 理论背景:根据数据增强的执行时间,可以将其分为训练时间数据增强(TRA)和测试时间数据增强(TEA)。
    • TRA旨在通过添加扰动样本来捕获未见过的测试数据分布,从而增加训练数据集的变化性;
    • TEA通过对预定义的非因果变化的预测进行平均,增强了最终的预测结果,使模型对这些变化具有鲁棒性。
  • 技术路线:本文提出了一种基于梯度的元学习方案,用于对齐训练和验证数据的分布,作为未见过的测试数据的代理。通过将类别特定的训练时数据增强(TRA)纳入当前数据增强策略,以解决类别不平衡问题,并联合优化TRA和测试时数据增强(TEA)以对齐训练和测试数据分布。

研究结论:  

  • 实验设置:
    • 预处理:使用nnU-Net的pipline对对磁共振(MR)和计算机断层扫描(CT)图像进行归一化处理。
    • 网络设置:使用两种不同的分割模型,DeepMedic和3D U-Net,并采用不同的损失函数。
    • 任务设置:脑卒中病灶分割、肾脏和肾脏肿瘤分割、腹部器官分割和跨站点前列腺分割。    
  • 实验结果:与现有解决方案相比,所提出的数据增强框架始终能够改善分割性能。通过与没有TRA训练的模型进行比较,证明了类别特定的训练数据增强的有效性,显示出显著的分割性能改进。通过联合优化TRA和TEA以及学习每个类别的单独增强,进一步提高了分割性能,实现了更高的精度和灵敏度。

 

No.4 A Weakly Supervised Gradient Attribution Constraint for Interpretable Classification and Anomaly Detection  

  • 标题:一种弱监督的梯度归因约束用于可解释的分类和异常检测。
  • 标签:XAI、异常检测、弱监督、受约束的学习

研究背景:  

  • 问题背景: 深度学习在医学图像分析中取得了成功,但其缺乏可解释性限制了其在医学等关键领域的应用。
  • 过去方法:过去的方法很少在训练过程中使用后期模型来增强可解释性,并且没有与分类相一致的方法。现有的归因方法主要用于解释训练网络的决策,很少用于训练过程中的约束。此外,现有的方法在异常检测方面的性能有限。
  • 研究动机:本文旨在提出一种新的弱监督方法,通过梯度归因约束来实现可解释的健康与病理分类和异常检测。

研究方法:  

  • 理论背景:作者提出了一种新的弱监督方法,通过梯度归因约束来实现可解释的分类和异常检测。该方法在训练过程中使用梯度归因约束,使网络的决策基于相关的放射学结构,并且在推理过程中对归因方法的选择具有鲁棒性。
  • 技术路线:该方法涉及使用归因图对健康和病理图像之间进行二分类网络的约束。归因被约束为在病理区域外为负,在内部为正。通过一种新的损失函数实现了这种约束。该方法只需要图像标签即可实现良好的分类和分割性能。归因约束被整合到训练过程中,使得最终的网络对推理中使用的归因方法的选择具有不变性。

研究结论:  

  • 实验设置:    
  • 实验结果:
    • 该方法在脑肿瘤分割和多发性硬化症病灶检测方面优于最先进的方法,Dice和AUPRC指标上表现出色。
    • 在脑肿瘤分割方面,该模型的Dice分数比第二好的模型高出至少3个百分点,AUPRC高出6个百分点。
    • 在多发性硬化症病灶检测方面,该模型的Dice分数是第二好方法的三倍,AUPRC是第二好方法的五倍。
    • 该方法在难度较大的分割任务中特别有效,例如低对比度的肿瘤图像和多发性硬化症,与最先进的方法相比,性能差异显著。
    • 该方法生成的归因图更加关注病理区域,使网络决策更符合高级医学知识。

 

No.5 F-DARTS: Foveated Differentiable Architecture Search Based Multimodal Medical Image Fusion

  • 标题:F-DARTS: 基于凹凸不平的可微分架构搜索的多模态医学图像融合。
  • 标签:多模态融合、可微分架构搜索
   

研究背景:  

  • 问题背景: 多模态医学图像融合在疾病诊断和治疗等领域具有重要意义。
  • 过去方法:
    • 传统的多模态医学图像融合方法由于人工设计的组件(如图像变换和融合策略)的影响,往往难以提供令人满意的融合准确性和鲁棒性。
    • 现有的基于深度学习的融合方法由于采用人工设计的网络结构和相对简单的损失函数,并忽视了人类视觉特征在权重学习过程中的重要性,往往难以确保图像融合效果。
  • 研究动机:本研究提出了一种基于凹凸不平的可微分架构搜索(F-DARTS)的无监督多模态医学图像融合方法,通过引入凹凸不平操作符和设计独特的无监督损失函数,实现了对人类视觉特征的充分利用,从而提高了图像融合的效果和质量。


研究方法:  

  • 理论背景:F-DARTS是一种基于DARTS(Differentiable Architecture Search)方法的融合框架。它使用改进的结构和由视觉系统的凹陷算子生成的卷积核。
  • 技术路线:
    • F-DARTS的融合过程包括对源图像进行卷积操作,使用编码器和解码器模块进行特征提取和重构,以及使用ReLu6激活函数处理重构图像特征。
    • F-DARTS架构包括下采样和上采样组件,其中下采样组件中包含编码器单元(EC1和EC2),上采样组件中包含解码器单元(DC1和DC2)。
    • 单元中使用稠密连接和1×1卷积来减少参数数量,并通过网络学习确定特征图的组合权重。
    • 凹陷算子基于人类视觉系统的凹陷特性生成卷积核。

研究结论:  

  • 实验设置:    
  • 实验结果:

 

No.6 Spatial-Intensity Transforms for Medical Image-to-Image Translation

  • 标题:医学图像到图像的空间-强度变换。
  • 标签:图像生成、空间强度转换    

研究背景:  

  • 问题背景:图像到图像的转换是计算机视觉和医学图像分析中常见的任务,但在医学图像中应用时存在一些困难,如成像伪影和数据稀缺等问题,这些问题会降低条件生成对抗网络的性能。
  • 过去方法:过去的方法中,空间变换在医学图像配准中被广泛应用,但是这些方法往往无法捕捉到强度变化。而图像到图像转换中的条件生成对抗网络则可以学习到图像之间的映射关系,但在小样本或噪声数据集上容易产生伪影。
  • 研究动机:本研究的动机是解决医学图像到图像转换中的伪影问题,并提供更准确、更易解释的模型预测。

研究方法:  

  • 理论背景:作者提出了一种名为空间-强度变换(SIT)的新方法,以提高转换图像的质量并与目标领域密切匹配。SIT技术将生成器约束为由稀疏强度变化组成的平滑空间变换。

研究结论:  

  • 实验设置:本文在两个不同的任务上评估了模型的性能。
    • 第一个任务涉及预测神经退行性疾病患者的纵向脑部扫描。模型在阿尔茨海默病神经影像学倡议(ADNI)数据集上进行训练。    
    • 第二个任务涉及将中风患者的临床质量MRI转换为突出显示与年龄和中风严重程度相关的变化。模型在MRI-GENetics Interface Exploration(MRI-GENIE)研究数据集上进行训练。
  • 实验结果:
    • ADNI中纵向MRI预测和年龄匹配。
    • MRI-Genie中图像保真度和年龄匹配的评估。

 

No.7 Shared-Specific Feature Learning With Bottleneck Fusion Transformer for Multi-Modal Whole Slide Image Analysis 

  • 标题:基于瓶颈融合Transformer的多模态全切片图像分析中的共享-特定特征学习。
  • 标签:计算病理    

研究背景:  

  • 问题背景:多模态全切片图像分析任务中存在一些挑战,如高维全切片图像的信息对齐问题、多模态信息的净化问题以及模态融合策略的设计问题。
  • 过去方法:过去的多模态全切片图像分析方法通常采用后期融合方法,但这种方法限制了模型学习不同模态特征之间的关系和模型的灵活性。
  • 研究动机:针对上述问题,本文旨在开发一种有效准确的多模态多实例学习框架,用于预测乳头状甲状腺癌的淋巴结转移。通过提出一种瓶颈融合Transformer的框架,将全切片图像信息聚合为精细的特征表示,并学习不同模态信息之间的共享和特定特征。

研究方法:  

  • 理论背景:通过神经网络将表格临床数据嵌入到低维表示中。使用Siamese注意力特征分组方案从WSI中提取特征并将其分组为类别级表示。瓶颈共享特定特征传输模块探索和整合模态之间的共享和特定特征。
  • 技术路线:
    • 提出的瓶颈融合传输(BSFT)包括多头自注意力(MSA)、具有残差连接的多层感知机(MLP)和层归一化(LN)。
    • 变换器编码器表示为Zl+1 = TE(Zl)。
    • 模型引入瓶颈令牌以在模态之间传递知识,并限制跨模态注意力流通过这些令牌。
    • 使用对抗学习来训练网络,包括模态适应和正交投影操作。
    • 每个模态的特定特征分别存储。
    • 使用注意力模块来聚合共享和特定特征进行预测。
    • 总体损失函数包括分类损失、余弦相似度损失和模态适应损失。
    • 优化过程包括固定鉴别器并最小化损失,然后固定除鉴别器以外的所有模块并最大化损失。    


研究结论:  

  • 实验设置:数据集包括297例乳头状甲状腺癌淋巴结转移(LNM)病例。
  • 实验结果:
  • 工作局限:
    • 将在其他数据集上测试方法,以评估该模型的泛化能力;
    • 将研究如何为基于注意力的特征分组设计端到端的训练策略,以获得更好的WSI模态特征的表示;
    • 将进一步优化瓶颈共享特定特征转移,包括进一步探索模式的共享和特定特征,并设计这些特征的整合策略。

 

No.8 Eye-Gaze-Guided Vision Transformer for Rectifying Shortcut Learning

  • 标题:眼动引导的视觉Transformer用于矫正快捷学习。
  • 标签:眼动跟踪、概括性、可解释性、快捷学习
   

研究背景:  

  • 问题背景:深度神经网络在医学图像分析中取得了显著的成功,但学习有害的快捷知识(如虚假相关性和偏见)会阻碍模型学习有意义和有用的表示,从而危及学习模型的泛化能力和可解释性。
  • 过去方法:过去的研究已经发现了医学图像分析中的快捷知识,如背景信息对深度学习模型的负面影响。然而,准确的手动注释和分割需要经验丰富的放射科医生和额外的时间投入,成本高且不易获得。
  • 研究动机:鉴于放射科医生在日常工作中阅读大量患者图像并撰写诊断报告,眼动信息可以指示放射科医生的兴趣区域,这些区域可能与潜在的病理相关,并且易于通过安装眼动追踪器获取。本文的动机是利用眼动信息代替宝贵的注释,以避免有害的快捷学习。

研究方法:  

  • 理论背景:作者提出了一种新颖的眼动引导视觉变换器(EG-ViT)模型,该模型将放射科医生的视觉注意力引入,以指导模型关注潜在病理区域。
  • 技术路线:本文提出的EG-ViT模型利用眼动数据对放射科医生感兴趣区域(ROI)之外的图像块进行遮罩,用于Vision Transformer(ViT)模型。眼动数据使用Tobii pro Nano硬件平台和一个允许放射科医生操作图像并收集眼动、鼠标和键盘数据的软件系统进行收集。收集到的眼动数据经过预处理,去除噪声并提取有效的注视点。然后,应用二维高斯核生成整个图像的眼动热图。采用图像裁剪策略处理分辨率较大的医学图像。    

研究结论:  

  • 实验结果:

 

No.9 Multi-Scale Transformer Network With Edge-Aware Pre-Training for Cross-Modality MR Image Synthesis 

  • 标题:多尺度变换器网络与边缘感知预训练用于跨模态MR图像合成。
  • 标签:图像生成    

研究背景:  

  • 问题背景:医学图像合成是预测给定源模态图像中缺失模态图像的任务,对于临床诊断具有重要意义。然而,现有的合成方法通常需要大量配对的多模态数据进行训练,而实际中往往只有少量配对数据和大量未配对数据。
  • 过去方法:过去的合成方法主要基于监督学习,但由于配对数据的限制,很难获得足够的训练样本。此外,现有方法往往忽略了未配对样本中的上下文信息,导致数据利用率低下。
  • 研究动机:为了解决配对数据不足和未配对数据利用率低下的问题,本文提出了一种新颖的多尺度变换器网络与边缘感知预训练相结合的方法。通过自监督预训练和多尺度特征融合,该方法能够充分利用有限的配对数据进行合成,并提高了合成图像的质量和准确性。    

研究方法:  

  • 技术路线:本文提出了一种多尺度Transformer网络(MT-Net),结合了边缘感知的预训练方法,用于跨模态MR图像合成。该方法包括两个阶段:边缘感知的预训练和多尺度微调。
    1. 在预训练阶段,使用自监督学习的方式训练了一个边缘保护的遮罩自编码器(Edge-MAE),用于对随机遮罩的补全图像和整个边缘图的估计。这个预训练过程有效地学习了上下文和结构信息。
    2. 在微调阶段,MT-Net集成了Edge-MAE的预训练编码器提取的多尺度特征,用于跨模态合成目标模态图像。

研究结论:  

  • 实验设置:使用BRATS2020和ISLES2015数据集对MT-Net进行评估。
  • 实验结果:
    • 本文提出的MT-Net在脑肿瘤分割方面表现出优越的性能,优于其他方法。
    • 该框架能够在合成的肿瘤区域中保留病理信息,从而实现准确的分割。
    • 消融研究验证了不同组件和训练方法的有效性,如遮罩比例、部分微调和Edge-MAE模块。

 

No.10 Branch Aggregation Attention Network for Robotic Surgical Instrument Segmentation

  • 标题:用于机器人手术器械分类的分支聚合注意力网络。
  • 标签:轻量级网络、特征融合、注意机制、手术机器人、器械分割    

研究背景:  

  • 问题背景:机器人辅助手术中的手术器械分割对于手术过程的精确性至关重要,但手术过程中的反射、水雾和运动模糊等噪声以及不同形式的手术器械会极大增加精确分割的难度。
  • 过去方法:过去的方法在手术器械分割中存在一些问题,如对噪声处理不足和无法充分考虑手术器械的各种形式。
  • 研究动机:鉴于过去方法的不足,本文提出了一种新的方法,通过引入BBA模块和BAF模块,实现特征融合和目标定位,从而提高手术器械分割的性能和鲁棒性。


研究方法:    

  • 技术路线:

研究结论:  

  • 实验设置:
    • The Endovis2017 dataset
    • The Endovis2018 dataset
    • The lapavis dataset
  • 实验结果:
    • The Endovis2017 dataset
   

 

No.11 One-Shot Generative Prior in Hankel-k-Space for Parallel Imaging Reconstruction 

  • 标题:用于并行成像重建的Hankel-k空间单次生成先验。
  • 标签:图像重建、低等级汉克尔矩阵、先验学习
   

研究背景:  

  • 问题背景:磁共振成像(MRI)是一种广泛应用于临床诊断和研究的非侵入性成像技术,但其长时间采集的限制制约了其应用。本研究旨在提供一种能够从有限数据中学习数据分布并进行重建的深度生成模型。
  • 过去方法:过去的MRI重建方法包括并行成像、压缩感知和低秩建模等,但这些方法的重建精度仍有待提高。
  • 研究动机:本研究的动机是解决MRI重建中数据样本不足的问题,通过构建Hankel矩阵并从中提取低秩的k空间补丁,学习内部分布,从而实现高质量的重建结果。

研究方法:  

  • 理论背景:作者提出了一种Hankel-k空间生成模型(HKGM),可以从仅有的一个k空间数据样本中生成样本。HKGM是在从k空间数据构建的Hankel矩阵中提取的低秩补丁数据集上进行训练的。学习到的先验知识然后用于高质量重建,每次迭代交替应用于Hankel矩阵上的低秩惩罚和测量数据上的数据一致性约束。HKGM可以应用于不同线圈上的pMRI重建。
  • 技术路线:
    1. 捕捉Hankel结构化k空间补丁的内部分布:使用基于分数的网络学习每个补丁的内部分布。
    2. 数值验证Hankel结构化k空间补丁的低秩特性:使用扩散过程和预测校正采样进行数值验证。
    3. HKGM的PMRI重建:使用预测校正采样进行迭代重建,同时在每个迭代重建步骤中对Hankel矩阵施加低秩约束和数据一致性约束。    


研究结论:  

  • 实验结果:
    • 在12线圈T2 SIAT数据上进行测试:与其他方法相比,提出的HKGM方法在重建结果上表现更好,具有更高的峰值信噪比(PSNR)值,并且与真实图像更接近。
    • 在12线圈T2数据上进行测试:在PSNR和结构相似性指数(SSIM)指标方面,HKGM在高加速因子下优于其他方法。它产生具有良好边缘细节和最小伪影的逼真重建图像。
    • 在8线圈T1数据上进行测试:HKGM在PSNR和SSIM值方面优于其他方法,尤其是在较高的加速因子下。在重建图像和真实图像之间的SSIM方面,它也保持良好的性能。
    • 在32线圈数据上进行测试:与传统的低秩方法相比,HKGM显示出更好的重建性能,具有更
  • 工作局限:扩散模型生成样本的速度较慢,这是由其采样过程的迭代性质造成的。提高扩散模型的采样速度是一个正在进行的研究领域,待这些进展能带来更好的基于扩散的图像生成方法。

 

No.12 Multi-Frequency 3D Shear Wave Absolute Vibro-Elastography (S-WAVE) System for the Prostate

  • 标题:多频三维横波绝对式前列腺振动弹性成像(S波)系统。
  • 标签:超声波、前列腺癌、绝对振动弹性成像、剪切波弹性成像
   

研究背景:  

  • 问题背景:弹性成像作为一种医学成像模态,可以用于测量和显示组织的机械特性。过去方法:传统的超声弹性成像方法存在相对静态技术的依赖性,而绝对定量技术,即剪切波弹性成像(SWE),被认为可以减少用户依赖性并提高可重复性。
  • 研究动机:本研究旨在开发一种新的多频三维剪切波绝对振动弹性成像系统,以解决前列腺癌检测的挑战。

研究方法:  

  • 技术路线:本文介绍了一种新的系统,用于使用多频组织激励对前列腺组织弹性进行定量和体积测量。该系统利用本地频率估计器来测量前列腺内稳态剪切波的三维局部波长。机械音圈振动器用于产生剪切波,射频数据被传输到外部计算机进行分析。

研究结论:  

  • 实验设置:该系统使用机械音圈振动器进行经皮传输的多频振动。射频数据从经直肠超声探头流向外部计算机进行分析。一个带有计算机控制的滚动电机用于旋转探头并获取3D数据。
  • 实验结果:该系统已经通过两种商用仿体验证,并将弹性测量的准确性与3D磁共振弹性成像进行了比较,获得了96%的高相关性。在临床研究中,该系统对癌症识别显示出有希望的结果,使用二元支持向量机分类器训练的数据,实现了0.87±0.12的AUC值,用于恶性与良性的分类。    

 

No.13 Geometric Deep Learning Using Vascular Surface Meshes for Modality-Independent Unruptured Intracranial Aneurysm Detection 

  • 标题:基于血管表面网格的几何深度学习用于非形态非破裂颅内动脉瘤检测。
  • 标签:动脉瘤、血管造影、检测、几何深度学习


研究背景:  

  • 问题背景:未破裂颅内动脉瘤(UIA)的早期检测有助于更好地评估破裂风险和预防性治疗,但目前的UIA检测方法通常限于单一模态,且视觉检查存在可变性和耗时的问题。
  • 过去方法:过去的UIA检测方法主要采用基于体素的深度学习方法,但这些方法受限于模态和扫描参数的敏感性。另外,基于几何的深度学习方法在处理血管表面网格时通常不会受到这些限制,并且具有较少的参数。
  • 研究动机:本研究旨在提出一种几何深度学习方法,利用血管表面网格进行无模态的UIA检测,以解决现有方法的局限性,并实现与现有UIA检测方法相当的性能。

研究方法:  

  • 理论背景:本文提出了一种用于检测未破裂颅内动脉瘤(UIAs)的模态无关方法,利用具有高分辨率脑血管表面网格的几何深度学习模型。该方法利用了具有ResU-Net风格架构的网格卷积神经网络。
  • 技术路线:
    • 作者使用MeshCNN卷积神经网络(CNN)设计了三角形3D网格。
    • MeshCNN实现了网格边缘卷积、池化和反池化,类似于对图像体素进行CNN操作。
    • 作者使用了五个相对几何边缘特征作为模型的输入特征,这些特征是尺度、平移和旋转不变的。    

研究结论:  

  • 实验设置:
    • 作者使用了93个已诊断为UIAs的脑TOF-MRA进行训练数据,以及包含117个UIAs和25个非UIAs的142个TOF-MRA作为测试数据。
    • 实验还包括了20个CTA和相应的非对比CT,所有这些都包含至少一个未经治疗的UIA。
  • 实验结果:
    • 输入边的影响
    • 池化方案的影响
    • 输入特征的影响
 
      

推荐阅读

医工学人公众号征稿须知

医工学人简介

医工学人是在医疗科技创新与医工交叉背景下成立的多高校学生学术组织。旨在建立医学、工程学领域研究者的对话渠道,创造交流分享医工交叉前沿技术的优质平台,推动医疗科技创新与医工交叉融合。

目前组织内共有六百多位来自复旦大学、西安交通大学、上海交通大学、清华大学、浙江大学、中国科学技术大学、各高校附属医院等30余所重点高校、医院及科研单位医工学科相关的医生、学生、专家学者等。欢迎志同道合的你加入我们!

<扫码添加社群管理人微信>


              

本篇文章来源于微信公众号: 医工学人

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注