CVPRNov, 2021

循环变分网络：用于加速 MRI 重构的深度学习逆问题求解器

PDF
TL;DR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。
mriaccelerated reconstructiondeep learningconvolutional recurrent neural networksdata consistency
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

  • 端到端变分网络用于加速 MRI 重建

    MRI 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。

    Apr, 2020

  • 卷积循环神经网络用于动态磁共振图像重建

    提出了一种新颖的卷积循环神经网络（CRNN）结构，通过联合利用时间序列的依赖性和传统优化算法的迭代性质，从高度欠采样的 k 空间数据中重建高质量的心脏 MR 图像，同时学习时空相关性，优于当前 MR 重建方法在计算复杂性、重建准确性和速度方面。

    Dec, 2017

  • 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

  • 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

  • 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

  • DeepcomplexMRI: 利用深度残差网络，通过复数卷积快速进行并行磁共振成像

    本研究提出了一种名为 DeepcomplexMRI 的多通道图像重建方法，使用残差复杂卷积神经网络加速并行 MR 图像采集，并在多层网络中加强了 K 空间数据一致性，评估结果表明，该方法能够更准确地重建所需的 MR 图像。

    Jun, 2019

  • 用于近端学习和自动压缩图像恢复的递归生成对抗网络

    本文提出了一个级联的神经网络架构来解决基于低采样率的线性逆问题。其中将深度生成式残差网络和像素级和感知损失函数相结合，成功地提高了 MRI 重建的信噪比而将推理速度增加了一百倍，并且也证明了通过设计的 ResNet 可以更好地建模去噪近端来提高图像的超分辨率。

    Nov, 2017

  • 基于模型的卷积去混叠网络学习用于并行 MR 成像

    本文提出了一种基于模型卷积去混叠神经网络的方法，使用自适应参数学习从多线圈下采样 k 空间数据实现精确重建，以加速 MR 成像。该方法不需要估计多线圈灵敏度，评估结果表明其在定量和定性分析方面比目前现有的三种最新方法均表现出更优异的性能

    Aug, 2019