学习变分网络以重建加速 MRI 数据
MRI 速度慢的问题得到了通过多视图采集和少量样本采集的两种方法的互补。本文介绍了一种新方法,采用学习完全端到端的方式扩展了先前提出的变分方法。在 fastMRI 数据集上,我们的方法获得了新的最先进的结果,适用于脑部和膝盖的 MRI。
Apr, 2020
本文提出了一种基于卷积循环神经网络的深度学习加速 MRI 重建方法,称为 RecurrentVarNet,通过在观测域($k$-space)而非图像域中进行优化,每个 RecurrentVarNet 块都由数据一致性项和递归单元组成,可以有效地重建 MRI 图像,并在公共多线圈数据集上优于传统方法和之前的深度学习方法。
Nov, 2021
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
本文提出了一种基于模型卷积去混叠神经网络的方法,使用自适应参数学习从多线圈下采样 k 空间数据实现精确重建,以加速 MR 成像。该方法不需要估计多线圈灵敏度,评估结果表明其在定量和定性分析方面比目前现有的三种最新方法均表现出更优异的性能
Aug, 2019
本文提出了一种利用无监督深度学习(Variational Autoencoders)学习全采样 MR 图像概率分布的显式先验术语的方法,从而弥补了 k 空间数据缺失的影响,而不需要训练成对的数据集。
Nov, 2017
利用深度学习的方法,提出了一种基于荧光检测并引导的量化磁共振成像重建框架,该框架将空间先验通过数据进行学习,同时结合磁共振物理学的成像先验知识,取得了在量化磁共振成像重建上具有很大潜力的结果。
Mar, 2024
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
通过卷积神经网络的深度级联,在 MRI 数据的欠采样下,提出了一种加速数据采集过程的图像重建框架,与现有的压缩感知方案相比,重建出来的图像具有更小的错误、更好的感知质量和更快的速度。该方法在保留解剖结构的同时,每张图片的重建速度能够达到 23 毫秒,足以实现实时应用。
Mar, 2017
该论文提出了一种基于生成对抗网络 (GAN) 的压缩感知磁共振成像(CS-MRI)重建方法,在保留高频内容和细节信息的同时,利用基于 Patch 的鉴别器和结构相似性指数损失来提高重建图像的质量。使用 Dense 和 Residual 连接的 U-net 生成器架构使得信息传输更容易且网络长度可变。实验证明,该算法在重建质量和抗噪效果方面优于现有技术且重建时间仅为毫秒级别,非常适合实时临床应用。
Oct, 2019
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