Optical coherence tomography (OCT) is used for non-invasive diagnosis of diabetic macular edema assessing the retinal layers. In this paper, we propose a new fully convolutional deep architecture, termed ReLayNet, for end-to-end segmentation of retinal layers and fluid masses in eye OCT scans. ReLayNet uses a contracting path of convolutional blocks (encoders) to learn a hierarchy of contextual features, followed by an expansive path of convolutional blocks (decoders) for semantic segmentation. ReLayNet is trained to optimize a joint loss function comprising of weighted logistic regression and Dice overlap loss. The framework is validated on a publicly available benchmark dataset with comparisons against five state-of-the-art segmentation methods including two deep learning based approaches to substantiate its effectiveness.

Segmentation of abdominal organs has been a comprehensive, yet unresolved, research field for many years. In the last decade, intensive developments in deep learning (DL) have introduced new state-of-the-art segmentation systems. In order to expand the knowledge on these topics, the CHAOS - Combined (CT-MR) Healthy Abdominal Organ Segmentation challenge has been organized in conjunction with IEEE International Symposium on Biomedical Imaging (ISBI), 2019, in Venice, Italy. CHAOS provides both abdominal CT and MR data from healthy subjects for single and multiple abdominal organ segmentation. Five different but complementary tasks have been designed to analyze the capabilities of current approaches from multiple perspectives. The results are investigated thoroughly, compared with manual annotations and interactive methods. The analysis shows that the performance of DL models for single modality (CT / MR) can show reliable volumetric analysis performance (DICE: 0.98 $\pm$ 0.00 / 0.95 $\pm$ 0.01) but the best MSSD performance remain limited (21.89 $\pm$ 13.94 / 20.85 $\pm$ 10.63 mm). The performances of participating models decrease significantly for cross-modality tasks for the liver (DICE: 0.88 $\pm$ 0.15 MSSD: 36.33 $\pm$ 21.97 mm) and all organs (DICE: 0.85 $\pm$ 0.21 MSSD: 33.17 $\pm$ 38.93 mm). Despite contrary examples on different applications, multi-tasking DL models designed to segment all organs seem to perform worse compared to organ-specific ones (performance drop around 5\%). Besides, such directions of further research for cross-modality segmentation would significantly support real-world clinical applications. Moreover, having more than 1500 participants, another important contribution of the paper is the analysis on shortcomings of challenge organizations such as the effects of multiple submissions and peeking phenomena.

This paper proposes a novel modification of the brightness preserving dynamic histogram equalization technique to improve its brightness preserving and contrast enhancement abilities while reducing its computational complexity. The modified technique, called Brightness Preserving Dynamic Fuzzy Histogram Equalization (BPDFHE), uses fuzzy statistics of digital images for their representation and processing. Representation and processing of images in the fuzzy domain enables the technique to handle the inexactness of gray level values in a better way, resulting in improved performance. Execution time is dependent on image size and nature of the histogram, however experimental results show it to be faster as compared to the techniques compared here. The performance analysis of the BPDFHE along with that for BPDHE has been given for comparative evaluation.

Ultrasound (US) simulators are safe and cost-effective alternatives to real US systems for education and research. Numerical simulators employ heavy computations and simplifying assumptions of US propagation physics. Deep learning (DL) methods require comparably lesser computations and generalize better compared to numerical solvers, however they require large image datasets acquired at different transducer frequency in order to be optimized. We propose a physics informed DL approach to tackle these challenges. A generative adversarial network (GAN) is trained with an US image dataset imaged with a single transducer frequency. A kernel stretching method is proposed that is used during inference to simulate resolution change associated with varying transducer frequency. The proposed method retains aspects of frequency controllability of numerical simulators while preserving realism and computational simplicity of DL models. This approach has application in medical imaging domains where limited access to datasets and low computational resources handicap training of GANs.

Ultrasound (US) anatomical imaging phantoms are crucial in medical imaging, training, and quality assurance. Our primary goal is to design and fabricate a versatile and realistic phantom, utilizing 3D printing, silicone moulds, and polyvinyl alcohol (PVA) as critical materials. This work includes the creation of a PVA-based rat liver phantom that replicates the acoustic and mechanical properties of real tissue. It achieves a sound speed of $1,543 \pm 6 \mathrm{~m} / \mathrm{s}$, an acoustic impedance of $1.66 \pm 0.01$ Mrayl, attenuation coefficients of $0.09 \pm 0.01$ $\mathrm{dB} / \mathrm{cm} / \mathrm{MHz}$, and the density of the phantom is $1,070 \mathrm{~kg} / \mathrm{m}^{3}$, all falling within the established range observed of biological tissues. Our research introduces tissue-mimicking phantoms to fulfill researchers' needs for experimental dataset generation and in order to train clinicians for skill improvement. The PVA-based rat liver phantom brings new opportunities to US imaging, that benefit research and clinical practice.

Abstract Computed tomography (CT) and magnetic resonance imaging (MRI) are widely utilized modalities for primary clinical imaging, providing crucial anatomical and pathological information for diagnosis. CT measures X‐ray attenuation, while MRI captures hydrogen atom density in tissues. Despite their distinct imaging physics principles, the signals obtained from both modalities when imaging the same subject can be represented by modality‐specific parameters and common latent variables related to anatomy and pathology. This paper proposes an adversarial learning approach using deep convolutional neural networks to disentangle these factors. This disentanglement allows us to simulate one modality from the other. Experimental results demonstrate our ability to generate synthetic CT images from MRI inputs using the Gold‐atlas dataset, which consists of paired CT‐MRI volumes. Patch‐based learning techniques and a visual Turing test are employed to model discriminator losses. Our approach achieves a mean absolute error of 36.81 4.46 HU, peak signal to noise ratio of 26.12 0.31 dB, and structural similarity measure of 0.9 0.02. Notably, the synthetic CT images accurately represent bones, gaseous cavities, and soft tissue textures, which can be challenging to visualize in MRI. The proposed model operates at an inference compute cost of 430.68 GFlops/voxel. This method can minimize radiation exposure by reducing the need for pre‐operative CT scans, providing an MR‐only alternative in clinical settings.