这篇论文介绍了一种基于学习的框架,用于优化针对特定重建规则和解剖学的 MRI 子采样模式,在噪声和无噪声情况下,通过访问代表性的训练信号集合,并搜索一种在该集合中的平均表现良好的采样模式,我们提出了一种参数自由的贪婪掩模选择方法,并通过统计学习理论严谨地证明了该框架的正确性。
May, 2018
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
本文研究将压缩感知应用于磁共振成像,通过优化采样掩蔽来减少采样时间,并提出了一种基于概率分布的确定性掩蔽的解决方案和一种基于贪心算法的近似解决方案,该方法有效降低了计算负担,并在动态 MRI 中证明了其良好的性能。
Feb, 2019
通过压缩感知和重建算法,优化磁共振成像 (MRI) 的采样轨迹在临床设置中具有潜在作用,提高采样速度并减少成本。
Dec, 2023
这篇研究提出了一种利用预先训练的扩散生成模型优化亚采样压缩感知多线圈磁共振成像的采样方式的学习方法,并证明该方法实现的采样运算符可以在不同的解剖结构、加速因子和模式类型的情况下实现具有竞争力,并且在 2D 模式下具有改进的重建效果。
Jun, 2023
本文利用压缩感知理论,提出了一种用于磁共振成像的稀疏采样模式学习方法,通过只有 7 个样本对的监督学习方法训练,可以在测试数据上取得较高重建质量。
Jun, 2019
本文利用深度学习方法,通过对 k 空间数据进行次 - Nyquist 采样策略降维,来提高磁共振成像的速度,并提供了理由为什么该方法表现良好。通过在时间消耗方向上采用均匀子采样捕捉高分辨率图像信息,同时允许由 Poisson 求和公式指导的图像折叠问题。为了处理由图像折叠产生的定位不确定性,只添加了极少量的低频 k - 空间数据。大量的实验证明了该方法的显着性能表现,只需要用到 29% 的 k - 空间数据就可以像使用完全采样数据的标准 MRI 重建一样高效生成高质量的图像。
Sep, 2017
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
利用深度 Q 学习和 REINFORCE 算法优化动态图像重建的采样策略
Aug, 2023
该论文提出了一种高效的随机优化算法,通过引入随机多层次蒙特卡洛(MLMC)方法,使用无偏的蒙特卡罗估计器求解期望信息增益的梯度,该算法具有较高的性能,可以用于搜索最优的贝叶斯实验设计,适用于简单测试问题和现实药代动力学问题。
May, 2020