Sep, 2017

循环损失条件下使用生成对抗网络的压缩感知 MRI 重建

PDF
TL;DR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。
compressed sensing mrideep learninggenerative adversarial modelrefineganmri reconstruction
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • SEGAN: 基于结构增强的生成对抗网络用于压缩感知 MRI 重建

    通过使用新的结构正则化技术和多尺度的卷积滤波器，我们提出了 SEGAN 和 SU-Net 来增强 CS-MRI 图像的结构信息，实验结果表明其能够学习目标结构信息并取得了最先进的性能。

    Feb, 2019

  • 深度压缩感知

    本文提出了一种结合压缩感知（CS）和神经网络生成器的新型框架，通过元学习联合训练生成器和优化过程，大大改善了信号恢复的速度和性能，并针对不同目标训练测量并从 CS 视角提出提高生成对抗网络（GANs）的新方法。

    May, 2019

  • 使用 3D 生成对抗网络实现脑部 MRI 超分辨率

    该研究使用对抗学习方法，采用基于 SRGAN 模型的 3D 卷积生成高分辨率 MRI 扫描图像，结合最小二乘法的对抗损失和基于均方误差和图像梯度的内容项提高生成图像的质量，并在上采样阶段探索不同的解决方案，具有潜在的 3D 医学成像超分辨率应用价值。

    Dec, 2018

  • 用于高加速肝脏 4D 磁共振成像的配对条件生成对抗网络

    提出了一种具有生成对抗网络的重建方法（Re-Con-GAN），在内部数据集上展示了令人满意和高效的重建结果，快速、优质的重建 4D 肝脏磁共振成像有助于肝癌在线自适应磁共振引导放射治疗。

    May, 2024

  • 使用生成对抗网络和三维多级密集连接网络实现高效准确的 MRI 超分辨率

    本篇论文提出了一种新的 3D 神经网络设计 —— 多级密集连接超分辨率网络（mDCSRN）结构，并进行了 3D 超分辨率重建应用的实验，结果表明在恢复 4x 分辨率降低的图像上，我们的新型神经网络结构比其他流行的深度学习方法性能更好和速度更快，并且具有促进现实输出的能力。

    Mar, 2018

  • 使用去噪自编码器 (DAE) 和循环一致性生成对抗网络 (Cycle-GAN) 去噪模拟低场核磁共振成像 (70mT)

    使用降噪 Cycle-GAN（Cycle Consistent Generative Adversarial Network）对低噪声、低分辨率、低信噪比（SNR）磁共振成像（MRI）图像进行良好的复原，同时也证明了这种生成式深度学习模型在提高低场 MRI 图像方面的性能胜过了传统的 DAEs 且无需用到图像对。

    Jul, 2023