Oct, 2019

基于时间的深度图像先验用于动态磁共振成像

PDF
TL;DR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。
dynamic mriunsupervised deep-learningmri reconstructioncardiac imagesconvolutional neural network
发现论文，激发创造
  • 用深度级联卷积神经网络重建动态磁共振成像

    通过深度学习生成卡式磁共振（MR）图像序列的方法，能够加速数据采集、提高图像清晰度，且在每张 2D 图像独立重建和序列帧联合重建方面均表现出优异的性能。

    Apr, 2017

  • 基于 ADMM 的深度心脏 MRI 重建

    心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

    Oct, 2023

  • DeepTag: 一种基于无监督深度学习的心脏标记磁共振图像运动跟踪方法

    本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

    Mar, 2021

  • 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

  • 胎儿心脏 MRI 重建中的深度学习挑战

    利用深度学习方法恢复被欠采样数据的能力可以优化 kt-SENSE 采集策略并改善无门控 kt-SENSE 重建质量，本研究在真实数据上研究监督深度学习网络对 kt-SENSE 方式获得的数据进行重建的性能，发现多线圈数据直接进行训练可以提高模型性能，并在未采样数据上应用，但其对胎儿心脏的动态特性表现不佳，建议针对胎儿心脏应用进行更有针对性的训练和评估方法。

    Aug, 2023

  • 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

  • 卷积循环神经网络用于动态磁共振图像重建

    提出了一种新颖的卷积循环神经网络（CRNN）结构，通过联合利用时间序列的依赖性和传统优化算法的迭代性质，从高度欠采样的 k 空间数据中重建高质量的心脏 MR 图像，同时学习时空相关性，优于当前 MR 重建方法在计算复杂性、重建准确性和速度方面。

    Dec, 2017

  • 无监督动态磁共振成像重建的图像先验

    通过图像恢复和流形发现两个阶段之间的图卷积网络，我们提出了一种新的方案来利用 DIP 先验进行动态 MRI 重建，名为 “图像先验”（GIP）。实验证明，GIP 在不同的采样轨迹上优于压缩感知方法和无监督方法，并显著减少了与最先进的监督深度学习方法之间的性能差距。此外，GIP 在转移到不同的重建设置时显示出更好的泛化能力，无需任何额外的数据。

    Mar, 2024

  • 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

    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。

    Sep, 2018

  • 自适应动态亚采样与重建用于心脏 MRI 的端到端方法

    通过深度学习方法提出了一种新的自适应动态 MRI 取样与重建框架，该方法根据个案特定的动态取样模式以及训练良好的 2D 动态重建网络，提高了重建质量。

    Mar, 2024