Jan, 2020

用开放竞赛推动机器学习在 MR 影像重建中的发展：2019 fastMRI 挑战赛概述

PDF
TL;DR提供一组包含 1,594 个膝部临床检查的原始 k 空间数据，并开放性挑战，鼓励参与者通过监督学习方法进行多线圈和单线圈数据图像重建，以推动机器学习在医学影像重建方面的发展。
machine learningmr image reconstructionchallengekneesupervised learning
发现论文，激发创造
  • CMRxRecon：用于加速图像重建竞赛的开放式心脏核磁共振图像数据集

    通过发布一个包含来自 300 个受试者的多对比度、多视角、多切片和多线圈 CMR 成像数据的数据集，我们旨在通过引入标准化的评估标准并使数据集免费向研究社区开放来促进最先进的 CMR 图像重建的进展。

    Sep, 2023

  • 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

  • fastMRI：加速 MRI 的开放数据集和基准

    介绍了 fastMRI 数据集，旨在帮助人们通过提供一个自由获取的数据集和标准评估标准来加速通过机器学习方法进行 MR 图像重建的技术进步。

    Nov, 2018

  • 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

  • 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

  • 基于深度学习的术中磁共振图像重建

    通过对深度学习重建的质量进行评估，本研究旨在评估前瞻性加速的术中磁共振成像（iMRI）在切除性脑肿瘤手术中的质量。

    Jan, 2024

  • AAPM 深度学习稀疏视图 CT（DL 稀疏视图 CT）大挑战报告

    该研究旨在通过稀疏采样计算机断层扫描图像的深度学习技术，以使在理想条件下最小化均方误差，从而解决成像中的逆问题；研究采用 2D 乳腺 CT 模拟，参加算法超过 60 组，并且测试结果使得重建精度比之前的基于 CNN 的研究有了两个数量级的提升。

    Sep, 2021

  • CMRxRecon2024：多模态、多视角 K 空间数据集，为加速心脏 MRI 提升通用机器学习

    我们提供了一个标准化、多样化和高质量的 CMRxRecon2024 数据集，旨在促进心脏磁共振成像技术的发展和临床应用，实现快速和可靠的图像重建。

    Jun, 2024

  • 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

  • IMC 2024 方法与解决方案综述

    该研究介绍了一种先进的集成技术，用于解决 3D 图像重建问题，并综合审查了参与竞赛的顶级团队采用的现有方法和技术，为未来的参与者和研究人员在类似的图像匹配和重建挑战中取得优异成绩提供了宝贵的知识。

    Jul, 2024