Sep, 2019

PILOT: 物理信息学习优化轨迹用于加速 MRI

PDF
TL;DR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。
mriaccelerated acquisitionimage reconstructiondata acquisitiondeep learning
发现论文，激发创造
  • 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

  • 利用物理知识的神经网络学习最优 K 空间采集与重建

    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

  • 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

  • 端到端变分网络用于加速 MRI 重建

    MRI 速度慢的问题得到了通过多视图采集和少量样本采集的两种方法的互补。本文介绍了一种新方法，采用学习完全端到端的方式扩展了先前提出的变分方法。在 fastMRI 数据集上，我们的方法获得了新的最先进的结果，适用于脑部和膝盖的 MRI。

    Apr, 2020

  • 基于深度学习的脑肿瘤儿童放疗计划的 MRI 加速

    通过使用数据重建，我们开发了一种基于深度学习的方法（DeepMRIRec），可从与 RT 特定接收线圈排列获取的欠采样数据进行 MRI 重建。通过在 73 名患有脑肿瘤 / 手术后区的儿童中使用环状线圈和后方线圈（12 个通道）获取的完全采样数据进行评估，我们的方法将扫描时间缩短了四倍，结构相似性得分（0.960）超过了目前评估的最先进方法（0.896），从而展示了加速 MRI 扫描用于 RT 规划的潜力。

    Nov, 2023

  • 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

  • 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

  • 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

  • 神经 MRI 采集的人工智能综述

    磁共振成像（MRI）与人工智能（AI）的复兴密切相关。通过利用 AI 在大规模优化和模式识别方面的能力，创新方法正在改变 MRI 采集流程，包括规划、序列设计和纠正采集伪影。这些新兴算法在增强采集步骤的效率和吞吐量方面展示了重要潜力。本综述讨论了神经 MRI 采集中几种重要的基于 AI 的方法，重点关注其技术进展、对临床实践的影响和潜在风险。

    Jun, 2024

  • 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