Σ-Net：集成迭代深度神经网络加速并行 MR 图像重建

Dec, 2019

Σ-Net：集成迭代深度神经网络加速并行 MR 图像重建

$Σ$-net: Ensembled Iterative Deep Neural Networks for Accelerated Parallel MR Image Reconstruction

Jo Schlemper, Chen Qin, Jinming Duan, Ronald M. Summers, Kerstin Hammernik

TL;DR探索使用 Sigma-net 进行快速并行 MR 成像的方法，其中包括并行线圈网络、敏感度网络以及数据相容性等，通过 Sigma-net 的方法最大化 SSIM 评分。

Abstract

We explore an ensembled $\Sigma$-net for fast parallel mr imaging, including parallel coil networks, which perform implicit coil weighting, and sensitivity networks, involving explicit sensitivity maps. The netwo

mr imaging parallel coil networks sensitivity networks data consistency sigma-net

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

深度生成对抗网络在压缩感知自动磁共振成像中的应用

本研究提出了一种利用生成对抗网络在历史病人的诊断质量磁共振图像上训练的压缩感知框架，能够在几毫秒内重建高对比度图像并去除混叠伪影和高频噪声。

May, 2017

使用生成对抗网络进行结构保留的压缩感知磁共振成像重建

该论文提出了一种基于生成对抗网络 (GAN) 的压缩感知磁共振成像（CS-MRI）重建方法，在保留高频内容和细节信息的同时，利用基于 Patch 的鉴别器和结构相似性指数损失来提高重建图像的质量。使用 Dense 和 Residual 连接的 U-net 生成器架构使得信息传输更容易且网络长度可变。实验证明，该算法在重建质量和抗噪效果方面优于现有技术且重建时间仅为毫秒级别，非常适合实时临床应用。

Oct, 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

自监督神经网络用于光谱瞬间压缩成像

本文提出了一种结合 DIP 的插入式自监督网络框架，使用未经训练的神经网络解决了快照压缩成像的光谱重建问题，实验证明该算法可以在不使用大量模拟数据的情况下取得与基于训练的网络相媲美的性能，并可与预训练的深度去噪先验结合以获得最先进的结果。

Aug, 2021

通过异构模型集成和 GP-NAS 实现真实图像超分辨率

该论文基于高斯过程的神经架构搜索方案，通过多种不同的网络结构和超参数选择进行模型集成，设计出一个用于实际图像高清化的深度残差网络，在 AIM 2020 实际图像高清化挑战赛上荣获三项第一。

Sep, 2020

循环损失条件下使用生成对抗网络的压缩感知 MRI 重建

本文介绍了一种基于深度学习的生成式对抗模型，RefineGAN，用于快速准确的 CS-MRI 重建，并通过几个开源 MRI 数据库的评估证明其在运行时间和图像质量方面均优于现有的 CS-MRI 方法。

Sep, 2017

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

ADMM-Net：基于深度学习的压缩感知磁共振成像方法

本文提出了两种新颖的深度学习网络来优化基于压缩感知的磁共振成像（MRI）重建的准确度和速度，这两种网络被称为 ADMM-Nets，在训练阶段，将所有参数进行差异性训练，同时在测试阶段使用已经优化的参数来实现 MRI 重建任务。经过大量实验，ADMM-Nets 实现了最先进的重建精度和快速计算速度。

May, 2017

基于自监督深度降噪方法的单幅图像压缩感知磁共振成像

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