Mar, 2017

基于领域自适应的深度学习加速投影重建 MR

PDF
TL;DR本文提出了一种结合深度学习和领域自适应的新方法，使用大量计算机断层扫描或合成径向磁共振数据预先训练网络，通过少量径向磁共振数据进行微调，成功地从欠采样的 k 空间数据中还原高分辨率的磁共振图像。使用该方法能够优于现有的压缩感知算法，并且计算时间比总变差和 PR-FOCUSS 方法快几个数量级。同时，本研究还发现，使用来自相似器官数据的 CT 或 MR 数据进行预训练比使用来自不同器官的相同模态的数据进行预训练更重要。
radial k-space trajectorydeep learningmr imagesdomain adaptationcompressed sensing
发现论文，激发创造
  • 基于投影的 K 空间变换网络用于少样本径向 MRI 重建

    使用 Transformer 网络重排径向部分数据以更好地处理非直角 k 空间成像，进而提高 MRI 图像的重建质量

    Jun, 2022

  • DuDoRNet: 基于深层 T1 先验知识的双域循环神经网络用于快速 MRI 重建

    该研究提出了一种基于 DDS 网络和 DRDNet 的 MRI 加速方法，可以快速重建从欠采样 MRI 数据中获得的 k 空间数据，得到高质量的 MRI 图像。

    Jan, 2020

  • 使用特定领域感知网络的两步稀疏视角 CT 重建

    本文提出了一种用于稀疏视图计算机体层摄影的新框架，通过使用超分辨率网络（SIN）和细化网络（PRN）进行重建，以减少条纹伪影和提高恢复精度。

    Dec, 2020

  • MRI 领域自适应的迁移学习：应用于脑部病变分割

    本研究探讨了如何将一个训练于遗留数据集上的深度卷积神经网络成功适应于新数据集，结果表明，只需用两个新样本对模型进行微调即可较好地适应。

    Feb, 2017

  • 强化学习下主动的 MR k 空间采样

    本文研究了深度学习方法在磁共振图像 (MRI) 采集上的优化，提出了一种利用强化学习实现学习 MRI 采集轨迹的方法，并在公开的大规模 MRI 数据集上进行实验，结果表明该方法在各种不同加速因子下的主动 MRI 采集方面比现有技术显著优越。

    Jul, 2020

  • 利用物理知识的神经网络学习最优 K 空间采集与重建

    该研究提出了一种优化框架，通过使用神经 ODE 将 k 空间采样视为一个普通微分方程问题来学习 k 空间采样轨迹，并展示了该方法比笛卡尔和非笛卡尔采集中的传统下采样方案具有更好的成像质量和重建性能

    Apr, 2022

  • 混合变分网络在加速 MRI 重建中的注意力机制

    该研究提出了一种基于深度学习的关注力混合变分网络，利用 k 空间和图像域进行学习，能够更好地重建磁共振成像，并在多项重建任务中取得了优异性能。

    Jun, 2023

  • 深层 Radon 先验：用于稀疏视图 CT 重建的完全无监督框架

    我们提出了一个名为 Deep Radon Prior (DRP) 的全无监督框架，通过将神经网络作为一个隐性先验引入迭代方法中，解决了现有方法中的一些限制。该方法在逐步优化神经网络的多个阶段中，在 Radon 域中缩小了欠约束成像协议的解空间，并讨论了所提方法的收敛性。与常用的预训练方法相比，该提出的框架不需要数据集，同时具有更好的可解释性和泛化能力。实验结果表明，该方法能够生成细节图像并有效抑制图像伪影，同时与有监督方法相比，DRP 的性能相当或更好。

    Dec, 2023

  • 稀疏重建脑 MRI 的双域交叉迭代压缩激励网络

    本文使用双重收缩 - 激活网络和跨迭代残差连接，迭代融合 k 空间和 MRI 图像信息，实现 MRI 的稀疏重建，结果表明该方法的重建误差率平均仅为 2.28％，表现优于现有的图像域预测、k 空间合成和双域特征融合方法。

    Oct, 2022

  • PILOT: 物理信息学习优化轨迹用于加速 MRI

    探讨了 MRI 扫描加速和重建的优化方案，提出使用深度学习和 k 空间轨迹的联合方案，用于同时优化数据获取的时间效率和图像重建的质量，并证明其对于图像重建和分割任务，具有显著的加速因素和质量改进。

    Sep, 2019