Jun, 2021

基于任务变换网络的 MRI 恢复与超分辨率联合重建

PDF
TL;DR本文提出了一种基于 T$^2$Net 的 MRI 重建和超分辨率的多任务联合学习框架，将重建和超分辨率分成两个子分支，通过任务转换器实现了两个任务的共享特征学习，实验结果表明该模型在定量和定性方面都显著优于先进的序列方法。
magnetic resonance imagingimage reconstructionsuper-resolutiont$^2$netmulti-task learning
发现论文，激发创造
  • 基于 Transformer 的自蒸馏生成式先验用于脑 MRI 超分辨率

    本研究提出了一种基于 TransMRSR 的创新性两阶段脑 MRI 超分辨率方法，具有良好的细节保留和结构重建性能，其中 GAN 是提高高分辨率图像生成质量的关键模块之一。

    Jun, 2023

  • 基于多阶段集成网络的多对比度 MRI 超分辨率重建

    本文提出了一种多阶段集成网络（MINet）用于多对比度 MRI SR，该网络能够显式地建模不同阶段的多对比度图像之间的依赖关系以引导图像 SR。实验证明，MINet 优于目前的多对比度 SR 方法，具有改善目标图像质量的能力。

    May, 2021

  • 基于 Transformer 的多尺度上下文匹配和聚合技术，用于多对比度 MRI 超分辨率

    提出一种名为 McMRSR 的新型网络，它使用 Transformer 技术建模具有复杂解剖结构的区域中的长程依赖关系，通过开发一组创新的 Transformer 技术，包括多尺度上下文匹配，多尺度聚合机制等技术，完善了多对比度 SR 重建方法。该方法经实验证明优于现有的方法，具有在临床中应用的巨大潜力。

    Mar, 2022

  • 急性心肌梗死 MRI 心肌分割和 T2 定量的同时深度学习

    在心脏磁共振成像（MRI）分析中，提出了一种名为 SQNet 的双任务网络，集成了 Transformer 和卷积神经网络（CNN），能够同时完成心肌分割和 T2 定量分析，提高了诊断准确性。

    May, 2024

  • 联合磁共振序列优化在自旋回波磁共振成像超分辨率方面的效果优于纯神经网络方法

    针对超分辨率 MRI 在 TSE 序列中应用的限制，我们提出了一种基于通信电磁物理的方法，在优化 MR 序列和神经网络参数的同时进行 SR-TSE 图像的超分辨率重建，实验结果表明相比单纯的神经网络训练方法，我们的方法实现了更好的图像重建效果。

    May, 2023

  • 基于多任务神经网络框架的多模态 MRI 数据增强 CT 图像合成

    本研究提出了一种基于增强的 Transformer U-Net 架构的多功能多任务神经网络框架，可以同时、选择性和自适应地解决医学图像中的图像分割、实值预测和跨模态转换等关键挑战。通过对人脑 MR 和 CT 图像的公共数据集进行验证，我们将合成 CT 图像的传统问题分解为不同的子任务，包括颅骨分割、HU 值预测和图像顺序重建。为了增强该框架处理多模态数据的多功能性，我们在模型中添加了多个图像通道，并进行了基于 T1 加权和 T2-Flair 图像合成的 CT 图像比较，评估了模型从形态学和像素值角度集成多模态信息的能力。

    Dec, 2023

  • 通过渐进网络实现多对比度超分辨率磁共振成像

    本文提出了一种用于 MRI 多对比度超分辨率图像的神经网络方法，实验结果表明该网络可以产生高质量的超分辨率图像，在图像质量和结构相似度方面优于其他多对比度超分辨率方法，而且渐进网络即使在原始低分辨率图像高度下采样时，也比非渐进网络更能产生更好的 SR 图像质量。

    Aug, 2019

  • 多对比度 MRI 的双任意尺度超分辨率

    本文提出了一种基于隐式神经表示的双任意多对比度 MRI 超分辨率方法 (Dual-ArbNet)，该方法可以无限制地使用任意缩放的目标和参考图像进行图像重建，并通过课程学习策略提高了该方法在两个 MRI 数据集上的性能。

    Jul, 2023

  • 磁共振图像处理变压器的普适重建

    发展和评估了一种用于常规加速磁共振成像重建的深度学习模型。

    May, 2024

  • 用于运动伪影分类和心脏磁共振图像分割的多任务 Swin Transformer

    本研究提出了一种多任务的网络 ——Multi-task Swin UNEt TRansformer 网络，用于解决在 CMR 运动挑战中的 CMR 分割和运动伪影分类，实现了同时确定 CMR 的诊断质量和生成掩模的目的。通过 5 倍交叉验证训练 5 个网络的集合，我们实现了 DICE 系数为 0.871 的分割性能和 0.595 的分类准确性。

    Sep, 2022