MRI 采样模式学习
这篇论文介绍了一种基于学习的框架,用于优化针对特定重建规则和解剖学的 MRI 子采样模式,在噪声和无噪声情况下,通过访问代表性的训练信号集合,并搜索一种在该集合中的平均表现良好的采样模式,我们提出了一种参数自由的贪婪掩模选择方法,并通过统计学习理论严谨地证明了该框架的正确性。
May, 2018
这篇研究提出了一种利用预先训练的扩散生成模型优化亚采样压缩感知多线圈磁共振成像的采样方式的学习方法,并证明该方法实现的采样运算符可以在不同的解剖结构、加速因子和模式类型的情况下实现具有竞争力,并且在 2D 模式下具有改进的重建效果。
Jun, 2023
本文研究将压缩感知应用于磁共振成像,通过优化采样掩蔽来减少采样时间,并提出了一种基于概率分布的确定性掩蔽的解决方案和一种基于贪心算法的近似解决方案,该方法有效降低了计算负担,并在动态 MRI 中证明了其良好的性能。
Feb, 2019
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
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
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
该研究提出了一种优化框架,通过使用神经 ODE 将 k 空间采样视为一个普通微分方程问题来学习 k 空间采样轨迹,并展示了该方法比笛卡尔和非笛卡尔采集中的传统下采样方案具有更好的成像质量和重建性能
Apr, 2022
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
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