DuDoRNet: 基于深层 T1 先验知识的双域循环神经网络用于快速 MRI 重建
本研究提出了一种基于 Dual Domain Network 的方法,可以同时恢复正弦图的一致性并增强 X 射线 CT 图像品质,以达到减少金属假象的目的。该方法在单一领域的方法方面实现了显著的改进,并且是目前为止第一个用于金属假象减少的端到端的双域网络。
Jun, 2019
提出了一种新的双域核磁共振成像重建网络 DuDoUniNeXt,采用混合主干网络结构,自适应粗到精特征融合模块(AdaC2F)和部分共享浅层特征提取器(PaSS)来处理不同对比度图像的一致性和差异性信息,实验证明该模型明显优于现有的单对比度和多对比度模型。
Mar, 2024
本文使用双重收缩 - 激活网络和跨迭代残差连接,迭代融合 k 空间和 MRI 图像信息,实现 MRI 的稀疏重建,结果表明该方法的重建误差率平均仅为 2.28%,表现优于现有的图像域预测、k 空间合成和双域特征融合方法。
Oct, 2022
提出了一种名为 DD-CISENet 的深度学习网络,用于加速 MRI 稀疏重建,结果表明其平均重建误差为 2.28±0.57%,优于现有的深度学习方法。
Apr, 2023
本文提出了一种结合深度学习和领域自适应的新方法,使用大量计算机断层扫描或合成径向磁共振数据预先训练网络,通过少量径向磁共振数据进行微调,成功地从欠采样的 k 空间数据中还原高分辨率的磁共振图像。使用该方法能够优于现有的压缩感知算法,并且计算时间比总变差和 PR-FOCUSS 方法快几个数量级。同时,本研究还发现,使用来自相似器官数据的 CT 或 MR 数据进行预训练比使用来自不同器官的相同模态的数据进行预训练更重要。
Mar, 2017
通过深度学习,开发了一种高效的双域重建框架用于多对比度磁共振成像,重点在于最小化图像和频率域中的对比度错位以增强优化,实验证明该框架相较于现有算法在加速倍数高达 8 倍情况下具备较高的重建优势。
Dec, 2023
提出了一个新的可解释双域网络 InDuDoNet,它将模型驱动和数据驱动方法的优势结合起来。基于联合空间和 Radon 重构模型,利用近端梯度技术设计了一个迭代算法。通过将迭代步骤展开成网络模块来提高框架的可解释性,并在合成和临床数据上进行了广泛的实验,证明了我们的 InDuDoNet 在金属伪影还原和下游多类骨盆骨折分割任务上的卓越性能。
Sep, 2021
本研究基于 U-net 深度学习网络模型,将两个元素串联在 k-space 和图像域,考察了多通道 MRI 图像重建。实验结果表明,对于独立通道的重建,仅图像域的网络更好;对于多通道的同时重建,使用双域方法更优。同时发现,与先前发布的 Deep Cascade 模型相比,网络的级联使用在三个实验中有优势(p < 0.01)。
Nov, 2019
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。
Oct, 2019
我们提出了一种用于同时进行低剂量去噪、有限视图重建和无 CT 的心脏 SPECT 的 μ 图生成的多任务学习方法 DuDoCFNet,通过联级式融合机制实现跨域和交叉模态特征融合,应用两阶段渐进学习策略来获得 SPECT 投影和 CT 导出的 μ 图的粗到细估计。我们的实验结果表明,在各种迭代和低剂量水平下,DuDoCFNet 在估计投影、生成 μ 图和 AC 重建方面的准确性优于现有的单一或多任务学习方法。
Jan, 2024