强化学习下主动的 MR k 空间采样
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
采用深度强化学习控制 MRI 扫描仪,通过游戏的框架解决重建图像的问题,结果表明深度强化学习可在具有有限监督并无需提供人类可读输出的复杂任务中实现自主 MRI 数据采集。
May, 2023
该研究提出了一种优化框架,通过使用神经 ODE 将 k 空间采样视为一个普通微分方程问题来学习 k 空间采样轨迹,并展示了该方法比笛卡尔和非笛卡尔采集中的传统下采样方案具有更好的成像质量和重建性能
Apr, 2022
通过基于机器学习的强化学习方法,在病人级别上学习一个主动采样策略,通过对被欠采样的 k 空间进行直接推断,本研究验证了在膝关节 MRI 数据中,可以获得与基于机器学习诊断使用全采样 k 空间数据相媲美的诊断性能,同时分析了任务特定的采样策略,展示了主动采样方法的适应性。引入的经济采样策略有潜力降低高磁场强度需求,从而增强基于 MRI 的 POC 疾病识别和相关初步筛查工具的可行性。
Jun, 2024
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
本文提出了一种针对 MRI 重建的新方法,该方法动态选择要采取的测量,并迭代地改进预测,以最大程度地减少重建误差和不确定性,并且使用 ResNet-based architecture 超越了标准的像素到像素模型。
Feb, 2019
该论文提出了一种自我监督协作学习框架(SelfCoLearn),用于从不完整的 k - 空间数据准确地重建动态磁共振图像,该框架包括双网络协作学习、重新采样数据增强和特殊设计的共同训练损失三个重要的组件。在体内数据集上进行评估,结果表明,该方法具有从不完整的 k - 空间数据中捕获必要和固有表示以实现高质量和快速动态磁共振成像的强大能力。
Aug, 2022