Kimmy's Blog

欢迎大佬们来玩!

一个学渣的研究僧之路

无厘头的毕业感慨

相信你会成为最想成为的人。 故事要从2017年7月说起,那时我大三,第一次遇见华东师大,参加了软件学院和计算机学院的夏令营,遇到了来自各地的学霸们,毋庸置疑,在机试面试中被实力碾压,艰难地拿到了计科的优秀营员,在学长的推荐下,选择了图像处理与计算机视觉方向(对专业方向一无所知)。回到ZJNU拿到了校保研资格,度过了大学最快乐的时光,和一群可爱又有趣的人儿。 准确来说,我的研究僧生活......

用于实时MRI脑部肿瘤分割的3D膨胀多纤维网络

3D Dilated Multi-Fiber Network for Real-time Brain Tumor Segmentation in MRI (MICCAI2019)Authors: Chen Chen, Xiaopeng Liu, Meng Ding, Junfeng Zheng, Jiangyun LiCode:https://github.com/China-LiuXiao......

医学图像跨域合成

背景这篇文章主要介绍一些基于深度学习的医学图像合成的论文,医学图像跨域合成一般是指从一种模态转化为另一种模态,包括CT到PET,MR到CT,CT到MR及MRI中T1,T2,FLAIR等之间的转化。 相关论文Deep MR to CT Synthesis using Unpaired Data (MICCAI workshop2017)Authors: Jelmer M. Wolterink1......

不同模态MRI医学图像合成

MRI to CT and 3T to 7T

背景医学影像对于不同疾病的诊断和治疗至关重要。通常不止一种成像模式参与临床决策,因为不同的模式常常提供互补的见解。 例如,计算机断层扫描(CT)具有提供组织的电子密度和物理密度的优势,这对于癌症患者的放射治疗剂量规划是必不可少的。然而,CT的缺点是软组织缺乏良好的对比度,且采集期间的辐射暴露也可能增加继发性癌症的风险。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......

医学图像MRI增强相关论文

从低分辨率的3TMRI中重建高分辨率的类7TMR图像

“然而人不是为失败而生的,”他说。“一个人可以被毁灭,但不能给打败” 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。 这样可以更准确地完成组织分......

Multi-Stage Prediction Networks for Data Harmonization

论文题目:Multi-Stage Prediction Networks for Data Harmonization (MICCAI19) 背景由于图像采集缺乏标准化,数据协调(data harmonization)的目的是为了消除因扫描仪,中心或采集协议的规格而引起的差异。现有的方法往往针对每个设备训练一个单一网络,由于数据集比较少,所以往往会导致过拟合,而且未能充分利用多个预测任务之间......

Deep Learning Enables Reduced Gadolinium Dose for Contrast-Enhanced Brain MRI

Deep Learning Enables Reduced Gadolinium Dose for Contrast-Enhanced Brain MRI (Journal of Magnetic Resonance 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。 提出背景钆(gá,gadolinium)是一种用......

Unpaired Image Enhancement Featuring Reinforcement-Learning-Controlled Image Editing Software

第一次看强化学习的论文,可能理解不到位,如有问题,欢迎指出~ 论文题目: Unpaired Image Enhancement——Featuring Reinforcement-Learning-Controlled Image Editing Software 本文的出发点:①在大多数情况下,我们很难获取大量原始图像与增强后图像配对的数据集,因此本文提出一种不需要配对数据的图像增强网络......

Self-supervised Image Enhancement Network Training with Low Light Images Only

Self-supervised Image Enhancement Network: Training with Low Light Images Only现有的图像增强数据集都是通过合成或者调整曝光时间得到的,但存在两个问题:①如何确保预先训练的网络可以用于不同设备、不同场景和不同照明条件下收集的图像,而不是构建新的训练数据集。②如何确定用于监督的正常光图像是最好的,因为相对于一张低光照图......

介绍几篇图像融合相关的论文

Multi-scale features fusion from sparse LiDAR data and single image for depth completion (ELECTRONICS LETTERS 2018)这篇文章的目标是利用一张单目图像和一张稀疏的深度图进行深度补全,文中采用一种多尺度融合的方式来学习两种不同数据的关联性,并引入稀疏卷积操作来增强稀疏深度图中特征的鲁......