针对压缩感知 MRI 重建的对抗性和感知细化算法

Jun, 2018

针对压缩感知 MRI 重建的对抗性和感知细化算法

Adversarial and Perceptual Refinement for Compressed Sensing MRI Reconstruction

Maximilian Seitzer, Guang Yang, Jo Schlemper, Ozan Oktay, Tobias Würfl...

TL;DR该论文提出了一种基于 MSE 损失重建网络的可视改善组件，通过引入感知损失函数和对抗性损失函数，可以更好地平衡图像清晰度和对比度。同时，提出了一种语义可解释性评分，可对象地定量评估图像质量。在基于 8 倍下采样的大型心脏 MRI 数据集上的应用表明，该方法相比最新技术，在人类观察者研究和语义可解释性得分上均有显著提高。

Abstract

deep learning approaches have shown promising performance for compressed sensing-based magnetic resonance imaging. While deep neural networks trained with mean squared error (MSE) loss functions can achieve high

deep learning compressed sensing magnetic resonance imaging perceptual loss functions semantic interpretability score

发现论文，激发创造

基于深度学习的压缩感知鲁棒性评估

对比深度神经网络和传统的稀疏方法，本文分析了图像重建的鲁棒性，并发现深度神经网络方法比传统方法在保持稳健性的前提下，提供更高的重建质量。

Feb, 2021

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

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

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

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

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

高保真神经图像压缩的语义集成损失和潜在精炼

该研究提出了一种改进的神经压缩方法，通过使用复杂的语义集成损失、潜在精细化过程和优化可视保真度的目标，显著提高了神经图像压缩的统计保真度，并在 CLIC2024 验证集上相较于 MS-ILLM 在 FID 指标下实现了 62% 的比特率节省。

Jan, 2024

深度生成对抗网络压缩伪影去除

利用生成对抗网络模型和卷积残差网络结构，该论文提出了一种用于去除图像压缩失真的方法，并且该方法在物体检测方面的性能表现优于传统的均方误差和结构相似性优化算法。

Apr, 2017

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

使用感知相似度度量学习生成图像

通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL)，提出了更好的 perceptually-optimized methods，已被证明在三种不同的自动编码器中表现更好，可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。

Nov, 2015