Sep, 2019

深度学习：从低场强到高场强 MR 的图像质量传递与概率下采样模拟器

PDF
TL;DR该研究采用图像质量转移（IQT）的方法，提高低场（<1T）扫描的结构 MRI 图像的分辨率、空间覆盖度和对比度，通过引入概率减采样模型，增强模型的鲁棒性，并设计了一种 U-net 架构的变种，在亚非地区低场 MRI 诊断癫痫的应用中取得了良好的效果。
mriimage quality transferlow-field scannerdecimation simulatorepilepsy diagnosis
发现论文，激发创造
  • 基于随机图像质量转移的低场磁共振图像增强

    本研究提出了一种名为影像质量转移（IQT）的方法，通过建立低场成像与高场成像之间的关联来增强低场结构性 MRI 图像的对比度和分辨率。结果表明，IQT 增强的图像有望提高低资源环境下低场 MRI 的诊断效果。

    Apr, 2023

  • 一种用于图像质量转换的 3D 条件扩散模型 - 一种针对低场 MRI 的应用

    我们提出了一种 3D 条件扩散模型来改进 3D 体积数据，特别是低磁场 MR 图像，并在我们的网络中引入了跨批量机制以确保在小的 3D 补丁下有更广泛的上下文意识。对于 IQT 和脑区划，我们在公开的 Human Connectome Project（HCP）数据集上的实验证明了我们的模型在定量和定性上优于现有方法。代码公开可用于 https://github.com/edshkim98/DiffusionIQT。

    Nov, 2023

  • 图像质量转换增强非洲儿童癫痫低场脑 MRI 对比度和分辨率

    该研究使用 Image Quality Transfer 技术改善 0.36T 结构磁共振影像的分辨率，空间涵盖率和对比度，以提高低场 MRI 在癫痫管理中的临床实用性。

    Mar, 2020

  • 基于得分的元学习增强的生成模型：从 0.5T MRI 重建 1.5T 样式图像

    本研究提出了一种基于 meta-learning 的方法，通过使用 teacher-student 机制学习低场磁共振成像到高场磁共振成像的映射，解决了直接学习由低场到高场映射的方法的局限，通过实验证明，该方法在重建高场磁共振成像方面优于现有的技术。

    May, 2023

  • MD-IQA: 学习多尺度分布式图像质量评估与半监督学习在低剂量 CT 中的应用

    通过引入多尺度分布回归方法、设计双分支对齐网络以及半监督学习，我们提出的方法在深度学习为基础的医学图像质量评估方面取得了显著的进展。

    Nov, 2023

  • 基于卷积神经网络的贝叶斯图像质量转换：探索扩散磁共振成像超分辨率模糊度

    本文研究了使用卷积神经网络（CNN）进行三维重建的不确定性建模的价值。通过采用每个补丁的异方差噪声模型和近似贝叶斯推理的参数不确定性，作者展示了这两者联合起来可以带来最先进的扩散 MR 脑图像三维重建性能。该方法的概率特性为超解析的输出提供了一种自然的量化不确定性的机制，并通过对健康和病态大脑的实验证明了这种不确定性的重要性。

    May, 2017

  • PTQD：针对扩散模型的精确后训练量化

    本研究提出了一种用于量化噪声和扩散扰动噪声的统一方法，并使用所提出的混合精度方案，校准降噪方差表并选取每个降噪步骤的最佳位宽，显著提高了量化后扩散模型的样本质量且减少了操作次数。

    May, 2023

  • TFMQ-DM：扩散模型的时间特征维护量化

    提出一种基于时间特征维护的量化方法，该方法通过时间信息块对传统的扩散模型进行优化，实现了与全精度模型几乎相媲美的模型性能在 4 位权重量化下，并无额外计算成本、在 LSUN-Bedrooms 的量化时间加速了 2 倍。

    Nov, 2023

  • 磁共振图像处理变压器的普适重建

    发展和评估了一种用于常规加速磁共振成像重建的深度学习模型。

    May, 2024

  • 使用去噪自编码器 (DAE) 和循环一致性生成对抗网络 (Cycle-GAN) 去噪模拟低场核磁共振成像 (70mT)

    使用降噪 Cycle-GAN（Cycle Consistent Generative Adversarial Network）对低噪声、低分辨率、低信噪比（SNR）磁共振成像（MRI）图像进行良好的复原，同时也证明了这种生成式深度学习模型在提高低场 MRI 图像方面的性能胜过了传统的 DAEs 且无需用到图像对。

    Jul, 2023