Apr, 2019

深度学习方法用于平行磁共振图像重建

PDF
TL;DR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。
machine learningneural networksmagnetic resonance imagingcompressed sensingparallel imaging
发现论文，激发创造
  • GrappaNet: 将平行成像与深度学习相结合用于多线圈 MRI 重构

    本文介绍了一种新型方法 GrappaNet 通过深度神经网络集成传统的并行成像方法，能够在高加速因子下生成高质量的重建，实验证明在 FastMRI 数据集中与竞争方法相比，GrappaNet 可以生成更高质量的重建，加快 MRI 的数据获取速度。

    Oct, 2019

  • 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

  • 多任务磁共振成像重建基于元学习

    使用元学习方法在多个 MRI 图像数据集上高效学习图像特征，并同时重建多种成像序列的高度欠采样 k 空间数据。

    Mar, 2024

  • 基于优化的深度学习 MRI 重建算法概述

    该研究综述了针对磁共振成像重建的基于深度学习算法的最新优化模型，以促进 MRI 领域的进一步创新和应用。

    Jun, 2024

  • 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

  • 基于模型的卷积去混叠网络学习用于并行 MR 成像

    本文提出了一种基于模型卷积去混叠神经网络的方法，使用自适应参数学习从多线圈下采样 k 空间数据实现精确重建，以加速 MR 成像。该方法不需要估计多线圈灵敏度，评估结果表明其在定量和定性分析方面比目前现有的三种最新方法均表现出更优异的性能

    Aug, 2019

  • 强化学习下主动的 MR k 空间采样

    本文研究了深度学习方法在磁共振图像 (MRI) 采集上的优化，提出了一种利用强化学习实现学习 MRI 采集轨迹的方法，并在公开的大规模 MRI 数据集上进行实验，结果表明该方法在各种不同加速因子下的主动 MRI 采集方面比现有技术显著优越。

    Jul, 2020

  • PILOT: 物理信息学习优化轨迹用于加速 MRI

    探讨了 MRI 扫描加速和重建的优化方案，提出使用深度学习和 k 空间轨迹的联合方案，用于同时优化数据获取的时间效率和图像重建的质量，并证明其对于图像重建和分割任务，具有显著的加速因素和质量改进。

    Sep, 2019

  • 循环变分网络：用于加速 MRI 重构的深度学习逆问题求解器

    本文提出了一种基于卷积循环神经网络的深度学习加速 MRI 重建方法，称为 RecurrentVarNet，通过在观测域（$k$-space）而非图像域中进行优化，每个 RecurrentVarNet 块都由数据一致性项和递归单元组成，可以有效地重建 MRI 图像，并在公共多线圈数据集上优于传统方法和之前的深度学习方法。

    Nov, 2021