Nov, 2017

使用深度密度先验的 MR 图像重建

PDF
TL;DR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。
reconstructionmriprior probabilitymachine learningunsupervised learning
发现论文，激发创造
  • 一种即插即用的合成数据深度学习用于磁共振图像重建的稀疏重构方法

    该研究提出了一种深度插拔方法，用于未采样的磁共振成像重建，可以适应不同的采样设置，并能在不同的欠采样模式和采样率下提供良好且稳健的加速图像重建性能。

    Sep, 2023

  • 深层级卷积神经网络级联重建 MR 图像

    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

  • 基于深度学习的低采样 MRI 重建

    本文利用深度学习方法，通过对 k 空间数据进行次 - Nyquist 采样策略降维，来提高磁共振成像的速度，并提供了理由为什么该方法表现良好。通过在时间消耗方向上采用均匀子采样捕捉高分辨率图像信息，同时允许由 Poisson 求和公式指导的图像折叠问题。为了处理由图像折叠产生的定位不确定性，只添加了极少量的低频 k - 空间数据。大量的实验证明了该方法的显着性能表现，只需要用到 29% 的 k - 空间数据就可以像使用完全采样数据的标准 MRI 重建一样高效生成高质量的图像。

    Sep, 2017

  • 自监督图像重建方法在欠采样 MRI 中的验证及泛化能力

    本文深入探讨自监督学习算法在 MRI 图像重建中的验证方法，发现定量评估前瞻性重建、常用度量标准的适用性以及泛化能力等方面有重要影响，最终验证得到压缩感知重建和学习去噪方法的表现相似。

    Jan, 2022

  • 基于深度学习的术中磁共振图像重建

    通过对深度学习重建的质量进行评估，本研究旨在评估前瞻性加速的术中磁共振成像（iMRI）在切除性脑肿瘤手术中的质量。

    Jan, 2024

  • 深度学习用于加速和鲁棒的 MRI 重建的综述

    深度学习在磁共振成像重建中的应用及其对临床成像实践的潜力进行了全面综述，重点包括改善图像质量、加速扫描、处理数据相关挑战的深度学习方法和架构，以及优化采集协议、增强对分布变化的鲁棒性和克服潜在偏差等方面的讨论。

    Apr, 2024

  • 深度学习方法用于平行磁共振图像重建

    介绍了基于神经网络的机器学习技术在 Magnetic Resonance Imaging（MRI）领域的应用以及针对当前加速 MRI 主流的多线圈信息的补充与研究，覆盖线性和非线性方法，探讨了引入改进正则化器的图像域方法以及基于神经网络的更好插值策略的 k 空间方法，讨论了相关问题和未解决的问题和近期为社区制定开放数据集和基准的努力。

    Apr, 2019

  • 学习变分网络以重建加速 MRI 数据

    利用数学变分模型与深度学习相结合的可变网络，快速高质量重建临床加速多线圈 MR 数据，从而提高图像质量和去除残留伪影，保留 MRI 图像的自然外观和病理特征，可有效地整合到临床工作流中。

    Apr, 2017

  • 推断阶段去噪对于欠采样 MRI 重建

    通过使用条件超参数网络，本研究提出在多个高斯噪声水平下实现高清图像重建的方法，同时达到最高的准确性和图像质量。

    Feb, 2024

  • SelfCoLearn: 自我监督协作学习用于加速动态 MR 成像

    该论文提出了一种自我监督协作学习框架（SelfCoLearn），用于从不完整的 k - 空间数据准确地重建动态磁共振图像，该框架包括双网络协作学习、重新采样数据增强和特殊设计的共同训练损失三个重要的组件。在体内数据集上进行评估，结果表明，该方法具有从不完整的 k - 空间数据中捕获必要和固有表示以实现高质量和快速动态磁共振成像的强大能力。

    Aug, 2022