Sep, 2018

基于多重监督网络训练的动态 MR 成像技术：获得 K 空间和空间先验知识

PDF
TL;DR本论文提出了一种综合应用 k 空间和空间先验知识的动态 MRI 成像方法，采用多监督网络训练技术，可以在更短的时间内获得比传统方法和现有技术更好的重建结果。
dynamic mr imagingincomplete k-space datamultisupervised network trainingk-t focusscnn-based method
发现论文，激发创造
  • 基于时间的深度图像先验用于动态磁共振成像

    本论文提出一种基于深度学习的无监督动态磁共振成像（MRI）重建算法，通过使用一个低维流形、一个映射流形的网络和一个卷积神经网络，可以重建高空间分辨率的连续动态 MRI 序列，并在数量和质量上优于现有方法。

    Oct, 2019

  • K 空间填充与图像优化：用于动态和多对比度 MRI 重建的提示

    通过探索帧间或图像间信息，本文提出了一种两阶段 MRI 重建流程来解决 MRI 重建过程中的限制性问题，并通过填充缺失 k 空间数据和图像域中的邻近帧 / 对比度特征融合，最终使得所提方法明显优于现有最先进的加速 MRI 重建方法。

    Sep, 2023

  • 深度展开网络与空间对齐的多模态 MRI 重建

    通过在多模态磁共振成像 (MRI) 的重建过程中适当嵌入空间对齐任务，利用深度展开网络来解决模态间不对齐的问题，本文提出了一种新颖的具有空间对齐能力的深度展开网络 (DUN-SA)，并通过终端到终端的训练，展示了优于现有方法的重建性能。

    Dec, 2023

  • 高维 MR 重建：子空间与自适应生成模型集成

    本研究旨在发展一种新的方法，将子空间和生成图像模型融合到一起以用于高维 MR 图像重建，结果表明该方法在快速 MR 参数映射和高分辨率 MR 光谱成像方面取得了比基于子空间的最新方法更好的性能.

    Jun, 2023

  • 高度欠采样磁共振图像重建的相关多频扩散建模

    通过结合 k - 空间数据和扩散过程的特性，本研究提出了一种新的方案，利用不同策略挖掘多频先验，并保留重建图像中细节纹理，同时通过高频先验提取器更快地收敛扩散过程，从而提高了 MRI 重建的准确性和采样过程的加速性。实验结果验证了该方法成功地获得了更准确的重建并超越了现有方法。

    Sep, 2023

  • 稀疏重建脑 MRI 的双域交叉迭代压缩激励网络

    本文使用双重收缩 - 激活网络和跨迭代残差连接，迭代融合 k 空间和 MRI 图像信息，实现 MRI 的稀疏重建，结果表明该方法的重建误差率平均仅为 2.28％，表现优于现有的图像域预测、k 空间合成和双域特征融合方法。

    Oct, 2022

  • 无监督自适应隐式神经表示学习用于特定扫描的 MRI 重建

    我们提出了一种无监督的自适应粗到细框架，通过学习从多维坐标到相应信号强度的映射，有效调整监督信号的比例，从而改善过拟合问题并提高 MRI 重建的整体质量。

    Dec, 2023

  • 深度可分离时空学习用于快速动态心脏 MRI

    这篇论文提出了一种新颖高效的方法，结合深度学习和时空先验知识，可以显著降低高维数据处理的挑战，从而实现快速成像，并在心脏诊断中超过了现有方法，同时减少对训练数据的需求，达到高准确度的心脏分割。

    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

  • K 波段：基于 K 空间子集的随机梯度下降的自监督 MRI 重建

    通过在有限分辨率数据上进行自监督训练来提供实验保证，并且在解决磁共振成像问题中达到了现有方法的性能水平。

    Aug, 2023