May, 2017

ADMM-Net：基于深度学习的压缩感知磁共振成像方法

PDF
TL;DR本文提出了两种新颖的深度学习网络来优化基于压缩感知的磁共振成像（MRI）重建的准确度和速度，这两种网络被称为 ADMM-Nets，在训练阶段，将所有参数进行差异性训练，同时在测试阶段使用已经优化的参数来实现 MRI 重建任务。经过大量实验，ADMM-Nets 实现了最先进的重建精度和快速计算速度。
compressive sensingmriadmm-netsdeep architecturesmr image reconstruction
发现论文，激发创造
  • 自适应智能的 FastMRI

    本文介绍了将自适应智能应用于加速 MR 采集的方法，通过使用压缩感知理论和深度神经网络，利用域知识来加速 k 空间数据重建过程，并证明了自适应智能方法优于传统方法和不考虑先验知识的深度学习方法。

    Dec, 2019

  • 一种具有理论保障的深度优化框架在压缩感知 MRI 中的应用

    提出了一种结合数值求解器和数据驱动架构的新型压缩感知磁共振成像 (CS-MRI) 方法，有效解决了现有算法中的深度学习收敛问题和鲁棒性问题，并明确了 MRI 过程中的 Rician 噪声分布，取得了更高的重建准确性和鲁棒性。

    Nov, 2018

  • 快速压缩感知 MRI 的深度去混叠

    本文提出了一种基于条件生成对抗网络的深度学习框架，能够从高度欠采样的数据重建 MRI 图像，并在重建误差和感知图像质量方面优于最先进的压缩感知 MRI 方法，同时可实现每张图像 0.22ms 至 0.37ms 的重建速度，具有实时应用潜力。

    May, 2017

  • 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

  • 深度生成对抗网络在压缩感知自动磁共振成像中的应用

    本研究提出了一种利用生成对抗网络在历史病人的诊断质量磁共振图像上训练的压缩感知框架，能够在几毫秒内重建高对比度图像并去除混叠伪影和高频噪声。

    May, 2017

  • 基于自监督深度降噪方法的单幅图像压缩感知磁共振成像

    本文提出了一种单图像自监督压缩感知磁共振成像框架，能够实现压缩感知估计的深度与稀疏正则化，有效降低结构化压缩感知伪影，提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估，平均峰值信噪比 (PSNR) 提高了 2-4dB。

    Nov, 2023

  • 循环损失条件下使用生成对抗网络的压缩感知 MRI 重建

    本文介绍了一种基于深度学习的生成式对抗模型，RefineGAN，用于快速准确的 CS-MRI 重建，并通过几个开源 MRI 数据库的评估证明其在运行时间和图像质量方面均优于现有的 CS-MRI 方法。

    Sep, 2017

  • 压缩图像感知的深度网络

    本文尝试借助深度网络解决压缩感知中的采样效率和信号恢复的问题，通过训练一个采样矩阵和设计一个类似于压缩感知重构过程的深度网络，我们的实验结果显示，我们的方法相较于现有技术提供了显著的质量提高。

    Jul, 2017

  • 使用生成对抗网络进行结构保留的压缩感知磁共振成像重建

    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

  • 一种深度信息共享网络用于多对比度压缩感知 MRI 重建

    本文提出了一种基于深度学习的多对比度 MRI 重建模型，通过特征共享单元和密集连接单元进行信息传输和参数优化，实现了对大规模 MRI 数据集的高效重建，并在精确度和效率方面优于现有的单对比度和多对比度 MRI 方法。

    Apr, 2018