- 综合排序
- 最热优先
- 最新优先
- 来自专栏基于深度学习的图像增强
不同模态MRI医学图像合成
另一方面，磁共振成像(MRI)可以很好地对比软组织。与CT相比，MRI更安全，不涉及任何辐射;但它比CT昂贵得多，而且没有放射治疗计划或PET图像重建所需的密度信息。 MICCAI 2017) Authors: Dong Nie1, Roger Trullo, Caroline Petitjean, Su Ruan, and Dinggang Shen 本文开发了一种从MRI 1.在生成器中引入残差连接，证明其在3T到7T图像合成任务中的作用及其对网络收敛性的作用； 2.进一步验证了梯度损失的作用 3.验证并分析了auto-context model模块细化的作用 4.在MRI 但需要注意的是，残差学习只对输入与输出高度相关的任务有意义，如3T到7T合成、超分辨率、去噪等，而MRI到CT任务可能不太适用，加了残差后的生成器结构如下： ? 实验部分: MRI到CT图像合成的数据集有2个，分别为脑部（16 subjects）和骨盆（22 subjects）dataset，数据使用均值、方差标准化，评价指标采用PSNR和MAE，部分实验结果如下
1.4K20发布于 2020-07-21 - 来自专栏锦小年的博客
课程笔记3--MRI的原理
MR物理基础: 核磁共振成像（Magnetic Resonance Imaging，MRI）是一种多功能的成像方式，既可以用来研究大脑结构，也可以用来研究大脑的功能。 MRI技术是建立在一些核心的物理学基础上的。 为了理解这些物理学基础，我们首先要先学习单个原子核及其对MR信号的影响，在MRI中，我们一般关注的是氢原子（它只有一个质子，而且它在血液中数量庞大，产生的信号较强）。 在MRI过程中，原子核的磁矩会经历3种状态（如果加上弛豫过程就是4种）： 在没有任何外界磁场的干扰下，原子核的磁矩的朝向是随机的，不存在净磁化强度，如下图: ? MRI的目标是构建一幅图像或者是一个与空间定位对应的数字矩阵，这幅图像描述了样本的原子核的一些特性的空间分布，这可能是原子核的密度或者它们所属的组织的弛豫时间。
1.5K30发布于 2019-05-26 - 来自专栏基于深度学习的图像增强
医学图像MRI增强相关论文
背景 在MRI扫描中，与常规3T MRI相比，特高磁场7T MRI具有更高的分辨率和更好的组织造影，有助于更准确、早期的脑部疾病诊断。 然而，目前7T MRI扫描仪在临床和研究中更昂贵且数量更少，这促使研究者提出从3T MRI中重建与7T MRI质量相近的图像的方法，以提高图像的分辨率和对比度。 实验部分： 本文用到的数据集是15例配对MRI图像，其中健康受试者5例，癫痫8例，MCI 2例。所用指标PSNR，部分实验结果如下： ? ? 实验部分： 本文所用的数据集为15例配对MRI脑图像，评价指标为PSNR、SSIM。部分实验结果如下： ? 实验部分：本文采用15例配对的健康人的MRI图像。评价指标有PSNR、SSIM以及FAST得到的分割结果DICE比较。部分实验结果如下： ?
1.2K31发布于 2020-07-14 - 来自专栏最新医学影像技术
ATLAS2023——MRI肝脏及肿瘤分割
今天将分享MRI肝脏及肿瘤分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 TARE治疗包括术前进行对比增强磁共振成像 （CE-MRI） 检查用于进行放射剂量学估算。 ATLAS数据集的CE-MRI（钆造影剂）图像是在5台西门子3T和1T MRI上采集。部分数据是用GE 1.5TMRI采集。每次采集在横向轴上用超快梯度回波序列进行t1加权。 最后，ATLAS数据集的CE-MRI由覆盖整个肝脏和肿瘤的44至136个胸腔和腹部横向切片的3D图像组成。 使用选定的CE-MRI，肝脏和肿瘤的轮廓由经验丰富的MRI放射科医生在横向切片上手动划定以产生标签。
1.3K20编辑于 2023-10-25 - 来自专栏最新医学影像技术
脑血管疾病在MRI影像上的表现
（二）MRI表现 ? 二、超急性期脑梗死与急性脑梗死 （一）临床表现与病理特征 脑梗死是临床常见疾病，具有发病率高、死亡率高、致残率高等特点，严重威胁人类健康。 （二）MRI表现 ? ? ? ? ? 三、静脉窦血栓与闭塞 （一）临床表现与病理特征 脑静脉窦血栓是一种特殊类型的脑血管病，分为非感染性与感染性两大类。 （二）MRI表现 ? ? 四、脑动脉瘤 （一）临床表现与病理特征 脑动脉瘤是脑动脉的局限性扩张，发病率较高。患者主要症状有出血、局灶性神经功能障碍、脑血管痉挛等。 （二）MRI表现 ? ? （二）MRI表现 ? ?
73820发布于 2020-06-29 - 来自专栏智能生信
用于加速 MRI 重建的自适应扩散先验
简读分享 | 汪逢生 编辑 | 乔剑博 论文题目 Adaptive Diffusion Priors for Accelerated MRI Reconstruction 论文摘要 深度 MRI 重建通常使用条件模型执行 在这里作者提出了第一个用于 MRI 重建的自适应扩散先验 AdaDiff，以提高针对域偏移的性能和可靠性。AdaDiff 利用通过对抗性映射在大的反向扩散步骤上训练的有效扩散先验。 对比大脑 MRI 的实验清楚地表明，AdaDiff 在域转换下优于条件和无条件方法，并在域内实现卓越的性能。 论文链接 https://arxiv.org/pdf/2207.05876.pdf
63410编辑于 2022-12-29 - 来自专栏脑机接口
EEG vs MRI vs fMRI vs fNIRS简介
什么是MRI(磁共振成像)？ MRI(磁共振成像)提供了提供了大脑图谱-在设定的时间点它的外观。 MRI如何工作？ MRI是一种复杂的成像方法，在这，我们会进行简单的概述。 顾名思义，磁铁是磁共振成像的核心，但强度要高的多-比普通冰箱磁铁强约1000至3,000倍。 MRI产生的磁场与氢原子中的质子相互作用（而我们身体大约有70％的水，这是非常有用的 - 磁体会影响到很多氢原子）。 还需要考虑其他(比如成本)——MRI核磁共振成像机的成本比EEG(脑电图成像机)要高得多(无论是购买还是维护)，而且所需的培训水平也要高得多。 参考： https://imotions.com/blog/eeg-vs-mri-vs-fmri-differences/
2K10发布于 2020-06-30 机器学习优化MRI扫描的新突破
机器学习如何优化MRI扫描对于许多患者来说，磁共振成像（MRI）扫描过程中的时间流逝缓慢。经历过MRI的人都知道，在嗡嗡作响的扫描仪内保持不动数分钟甚至超过一小时的挑战。 MRI机器利用人体对强磁场和射频波的响应来生成内部图像，帮助检测疾病和监测治疗。与任何图像一样，MRI扫描始于原始数据。 临床医生运行针对身体部位和MRI目的量身定制的特定序列。为了获得尽可能高的图像质量，MRI技术人员必须收集所有可能的测量数据，从低频到高频构建。 尽管仅在美国每年就产生数百万次MRI，但Tamir和同事缺乏数据可能令人惊讶。然而，MRI的最终图像经过后处理压缩到几兆字节。 他补充说，另一个问题是许多MRI不是静态图像。它们是生物过程的电影，例如心脏跳动。在这种情况下，MRI扫描仪不够快，无法收集完全采样的数据。
28610编辑于 2025-09-11- 来自专栏思影科技
基于MRI医学图像的脑肿瘤分级
MR图像中包含的丰富信息远远超过人类视觉所能看到的，因为目前的MRI系统可以产生相当于65535灰度级的图像。因此，计算机图像处理可作为第二只眼来理解高比特深度和高分辨率的MRI图像。 算法的另一个挑战是数据集可能从不同的MRI扫描仪收集，并作为算法的输入。该数据集由不同强度的MR图像组成，因为不同MRI扫描仪的图像强度不一致。 传统上使用的特征（如图像强度、纹理、边缘和对齐）不一定与脑肿瘤的实际解剖意义相关，因为对于同一患者、使用同一扫描仪的同一身体区域，同一MRI模式中的MRI强度可能不同。 但由于LGG和HGG的MRI特征重叠，使用基本MRI进行分类通常不确定，敏感性从55%到83%不等。 3.2.2 支持向量机SVM 为了对胶质瘤进行分级并区分转移瘤和胶质瘤，在[84]中开发了一种融合基本MRI和rCBV图的计算机辅助分类方案，该方案由灌注MRI计算得出。
3.7K30编辑于 2022-02-28 - 来自专栏最新医学影像技术
MRI物理基础知识及检查技术
一、MRI成像原理 磁共振成像（MRI）是利用原子核在磁场内所产生的信号经重建成像的一种技术。人体内的氢质子分布最广，含量最高。 二、常用MRI机分类 按照所用的磁体不同，MRI机可分为常导型、永磁型、超导型。前两者磁场稳定性差，目前应用最多的为超导型。 不同组织的T1不同，其纵向弛豫率亦不同，故产生MRI信号强度的差别。MRI信号主要依赖T1而重建的图像称为T1加权像。 五、MRI对比增强的原理及意义 由于正常与异常组织的弛豫时间有较大重叠，故MRI影像特异性较差，为了提高影像的对比度，可以人为改变组织的MRI的特征性参数，即缩短T1和T2。 属于无创性检查，不用对比剂，流动的液体就是MRI固有生理对比剂。流体在MRI影像上的表现取决于组织特征、流体速度、方向、方式及所使用的序列技术。
1.5K20发布于 2020-06-29 - 来自专栏脑电信号科研科普
悦影科技—结构MRI数据处理服务
结构MRI作为评估大脑结构变化的最为有效的技术之一，特别是在神经和精神疾病的辅助诊断、客观生物标志物寻找、发病机制研究、药物和非药物手段对大脑调控效应研究等方面得到了广泛的应用。 为了帮助脑科学领域的相关研究者更快地获得结构MRI数据分析结果，把更多的精力放在实验设计上，河南悦影医药科技有限公司（简称悦影科技）特此推出结构MRI数据处理服务。 我们团队由多年从事MRI、EEG数据处理和机器学习技术研究的博士和高校老师组成，“专业，认真，责任”是我们一直恪守的服务理念，悦影科技竭诚为您提供高质量、精准的数据处理服务。
58100编辑于 2022-05-05 - 来自专栏基于深度学习的图像增强
Deep Learning Enables Reduced Gadolinium Dose for Contrast-Enhanced Brain MRI
Imaging 2018) 这是一篇医学图像增强的论文，介绍了研究人员正在使用人工智能来减少MRI检查后留在体内的造影剂的剂量。 这种沉积的影响尚不清楚，但放射科医师正在积极主动地优化患者安全性，同时保留钆增强MRI扫描提供的重要信息。 本文的主要贡献： ① 用深度学习的方法来减少用于脑MRI检查的钆剂量，同时保持图像质量，避免对比度显著下降，这可能对患者有很大的好处。 此外，合成的全剂量增强MRI在运动伪影/混叠抑制方面与全剂量图像相比也有略微的改善，因为合成的全剂量图像是从具有较低峰值强度和较少运动伪影的图像中估计出来的。 训练和测试 训练和测试是在配对和归一化之后进行的，基于这样的假设：低剂量CE-MRI和零剂量MRI的对比信号(剩余信号差异)是对齐且缩放的（scaled），但与全剂量CE-MRI和零剂量MRI的对比信号相比
94431发布于 2020-06-03 - 来自专栏相约机器人
MRNet：膝关节MRI扫描的深度学习辅助诊断
背景 在膝关节磁共振成像的深度学习辅助诊断：MRNet的开发和回顾性验证中，斯坦福ML小组开发了一种预测膝关节MRI检查异常的算法，并测量了向放射科医师提供算法预测的临床效用。外科医生在解释时。 https://stanfordmlgroup.github.io/competitions/mrnet/ 它包括1,370膝关节MRI检查，包括： 1,104（80.6％）异常考试 319（23.3％
2.3K30发布于 2019-07-05 - 来自专栏思影科技
NeuroImage:胎儿和新生儿大脑MRI自动分割
扩散加权成像（DWI）和功能MRI（fMRI）可以与结构MRI的分割结果一起使用，以计算与结构连接和功能连接相关的区域测量值。 作者在PubMed上通过搜寻“fetal brain MRI segmentation”和“neonatal brain MRI segmentation” 查找到相关的方法论文。 胎儿和新生儿脑MRI的自动分割比成人脑分割具有更大的挑战性。围产期脑MR图像进一步显示了该领域特有的挑战: a) 与成年人相比，婴儿脑MRI运动伪影的发生率更高。 这是由于胎儿运动和产妇呼吸，运动在胎儿脑MRI中尤为明显。胎儿脑MRI通常是通过非常快速地获取2D切片来获取的，从而“冻结”切片中的运动。但是，二维切片通常彼此不对齐，因此妨碍了自动大脑分割。 图7 使用Draw-EM的新生儿MRI的组织分割示例。 ? 图8.使用Draw-EM的新生儿MRI结构分割的示例。 9. 评估分割方法 分割方法的准确性是根据作为“金标准”的手工标注进行定量评估。
1.9K20发布于 2020-04-16 - 来自专栏DeepHub IMBA
论文推荐：基于GE-MRI的多任务学习
医学图像分析，多任务学习，图像分类，图像分割，U-Net，后处理 该论文是18年发布的，提出了一种基于Deep U-Net的多任务学习框架，用于GE-MRI左心房分割，该框架同时执行心房分割和消融前后分类 数据 数据集 论文使用2018年心房分割挑战数据集，包含100个3D的ge - mri图像的训练集，以及相应的LA手动分割掩膜和消融前/后标签，用于训练和验证。
46230编辑于 2023-01-18 - 来自专栏数据科学和人工智能
数据集 | 阿兹海默症与MRI数据集
下载数据集请登录爱数科(www.idatascience.cn) 该数据集包括对一些阿兹海默症患者进行MRI扫描得到的结果，以及一些患者个人信息的数据。 1. 字段描述 2. 数据预览 3.
1.7K30编辑于 2022-03-30 - 来自专栏算法工程师的学习日志
Matlab的图像处理相关-MRI图像和图像类型转换
1、MRI图像 load mri D = squeeze(D); h0=figure('toolbar','none',...
1.1K30编辑于 2022-07-27 - 来自专栏最新医学影像技术
LLD-MMRI2023——多模态MRI 的肝脏病变诊断挑战
今天将分享多模态MRI 的肝脏病变诊断完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 为了提高肝脏病变诊断的准确性，多模态对比增强磁共振成像 (MRI) 已成为一种很有前途的工具。 在此背景下，我们的目标是发起首届多相 MRI 肝脏病变诊断挑战赛 (LLD-MMRI2023)，以鼓励该领域计算机辅助诊断 (CAD) 系统的发展和进步。 二、LLD-MMRI2023任务 使用8个多模态MRI图像对7 种不同的病变类型，包括 4 种良性类型（肝血管瘤、肝脓肿、肝囊肿和局灶性结节性增生）和 3 种恶性类型（肝内胆管癌、肝转移和肝细胞癌）进行分类 每个以 MR 开头的文件夹代表一个患者病例，每个病例包含八个完整的 MRI 卷，每个卷代表一个扫描阶段并保存为 nii.gz 文件。您需要根据相应的8卷来诊断患者肝脏病变的类别。
1.3K20编辑于 2023-09-29 - 来自专栏最新医学影像技术
Left Atrial Segmentation Challenge 2013——MRI图像中的左心房分割
今天将分享MRI图像中的左心房分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。 随着临床成像系统的进步，大多数患者都需要进行术前CT或MRI扫描。这使得人们能够获得术前LA 的解剖学表现。该LA解剖结构可以集成到电解剖测绘系统中。这种集成减少了透视时间并改善了患者的治疗结果。 二、Left Atrial Segmentation Challenge2013任务 MRI图像中的左心房分割。 MRI数据集：MRI采集是在1.5T Achieva 扫描仪（Philips Healthcare，Best，荷兰）上进行的。使用3D平衡稳态采集来获取 3D 全心脏图像。 MRI数据集下载链接： https://figshare.com/articles/dataset/Left_Atrial_Segmentation_Challenge_2013_MRI_training
56310编辑于 2024-02-22 - 来自专栏脑电信号科研科普
优质MRI在线学习视频、网站、书籍教材汇总
《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》 MRI的知识涉及方方面面，且不论有各种模态的MRI，单单是我们科研中最常用的技术之一fMRI，就使得很多初学者摸不着头脑。 为了便于初学者学习，笔者在这里倾心整理优质的MRI在线视频教程、学习网站和书籍教材等学习素材，希望对正在MRI学习路上的朋友有所帮助（注：部分内容来源于行上行下） MRI在线视频教程 台湾國立陽明大學卢家锋教授的静息态 from=search&seid=5681289998193743346 2.Coursera网站上的MRI课程 包括MRI的基础、fMRI的数据处理等课程。 官方网址： https://www.coursera.org/learn/functional-mri-2#instructors 3.fMRI数据分析：从MRI理论讲解到SPM操作 B站地址： p=1 5.从零开始学习MRI 偏重于MRI的临床应用技术 B站地址： https://www.bilibili.com/video/BV1SE411N7Me?
1.7K00发布于 2021-01-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号