Apr, 2020

端到端变分网络用于加速 MRI 重建

PDF
TL;DRMRI 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。
magnetic resonance imagingparallel imagingcompressed sensingvariational methodsfastmri
发现论文，激发创造
  • 学习变分网络以重建加速 MRI 数据

    利用数学变分模型与深度学习相结合的可变网络，快速高质量重建临床加速多线圈 MR 数据，从而提高图像质量和去除残留伪影，保留 MRI 图像的自然外观和病理特征，可有效地整合到临床工作流中。

    Apr, 2017

  • 循环变分网络：用于加速 MRI 重构的深度学习逆问题求解器

    本文提出了一种基于卷积循环神经网络的深度学习加速 MRI 重建方法，称为 RecurrentVarNet，通过在观测域（$k$-space）而非图像域中进行优化，每个 RecurrentVarNet 块都由数据一致性项和递归单元组成，可以有效地重建 MRI 图像，并在公共多线圈数据集上优于传统方法和之前的深度学习方法。

    Nov, 2021

  • 混合变分网络在加速 MRI 重建中的注意力机制

    该研究提出了一种基于深度学习的关注力混合变分网络，利用 k 空间和图像域进行学习，能够更好地重建磁共振成像，并在多项重建任务中取得了优异性能。

    Jun, 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

  • 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

  • PILOT: 物理信息学习优化轨迹用于加速 MRI

    探讨了 MRI 扫描加速和重建的优化方案，提出使用深度学习和 k 空间轨迹的联合方案，用于同时优化数据获取的时间效率和图像重建的质量，并证明其对于图像重建和分割任务，具有显著的加速因素和质量改进。

    Sep, 2019

  • 无监督自适应隐式神经表示学习用于特定扫描的 MRI 重建

    我们提出了一种无监督的自适应粗到细框架，通过学习从多维坐标到相应信号强度的映射，有效调整监督信号的比例，从而改善过拟合问题并提高 MRI 重建的整体质量。

    Dec, 2023

  • 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

  • Deep J-Sense: 通过展开交替优化来加速 MRI 重建

    使用深度学习方法 Deep J-Sense 重建磁共振成像图像，同时优化磁场核和线圈灵敏度图，进一步提高成像效果和鲁棒性。

    Mar, 2021

  • 利用更快的傅里叶卷积神经网络进行加速 MR 扫描的图像重建

    本文提出了一种基于 Faster Fourier Convolution 的方法，通过扩展全局接受域来更准确地重建部分扫描数据的 MRI 图像，实现了比传统方法更快速的计算速度和更高质量的重建效果。

    Jun, 2023