Jan, 2022

自监督图像重建方法在欠采样 MRI 中的验证及泛化能力

PDF
TL;DR本文深入探讨自监督学习算法在 MRI 图像重建中的验证方法，发现定量评估前瞻性重建、常用度量标准的适用性以及泛化能力等方面有重要影响，最终验证得到压缩感知重建和学习去噪方法的表现相似。
deep learningmri reconstructionself-supervised algorithmsquantitative metricsgeneralizability
发现论文，激发创造
  • 自监督图像重建方法的样本复杂度分析

    探究自监督训练方法的样本复杂度，发现模型的性能会随着训练样本数量增加而提高，证明采用自监督训练方法所需样本较多，但与监督训练方法优化模型的性能差距会随着样本数量增加而逐渐缩小。

    May, 2023

  • 自监督学习用于图像超分辨率与去模糊

    自监督方法在各种成像逆问题中最近证明了几乎与监督方法一样有效，在科学和医学成像应用中为基于学习的方法铺平了道路，其中获得地面真实数据难度或费用较高，在磁共振成像和计算机断层扫描中就是这种情况。然而，现有方法在图像超分辨率和去模糊问题中无法取得竞争性能，在大多数成像系统中起着关键作用。在本文中，我们展示了对于仅包含低频信息的测量数据，对于学习的翻译和旋转不变性是不足够的。相反，我们提出了一种新的自监督方法，利用了许多图像分布近似尺度不变的事实，可以应用于任何高频信息在测量过程中丢失的逆问题。通过一系列实验在真实数据集上证明了所提方法优于其他自监督方法，并获得了与完全监督学习相当的性能。

    Dec, 2023

  • 基于自监督深度降噪方法的单幅图像压缩感知磁共振成像

    本文提出了一种单图像自监督压缩感知磁共振成像框架，能够实现压缩感知估计的深度与稀疏正则化，有效降低结构化压缩感知伪影，提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估，平均峰值信噪比 (PSNR) 提高了 2-4dB。

    Nov, 2023

  • 一种即插即用的合成数据深度学习用于磁共振图像重建的稀疏重构方法

    该研究提出了一种深度插拔方法，用于未采样的磁共振成像重建，可以适应不同的采样设置，并能在不同的欠采样模式和采样率下提供良好且稳健的加速图像重建性能。

    Sep, 2023

  • 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

  • 使用深度密度先验的 MR 图像重建

    本文提出了一种利用无监督深度学习（Variational Autoencoders）学习全采样 MR 图像概率分布的显式先验术语的方法，从而弥补了 k 空间数据缺失的影响，而不需要训练成对的数据集。

    Nov, 2017

  • 使用可变密度 Noisier2Noise 的子抽样进行自监督 MR 图像重建的理论框架

    本文介绍了如何使用 Noisier2Noise 框架进行自监督学习，在 MRI 数据的稀缺情况下，通过数据下采样的方式提高重建质量和鲁棒性，同时解释了 SSDU 方法的表现原理。

    May, 2022

  • SelfCoLearn: 自我监督协作学习用于加速动态 MR 成像

    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

  • 基于深度学习的压缩感知鲁棒性评估

    对比深度神经网络和传统的稀疏方法，本文分析了图像重建的鲁棒性，并发现深度神经网络方法比传统方法在保持稳健性的前提下，提供更高的重建质量。

    Feb, 2021

  • 推断阶段去噪对于欠采样 MRI 重建

    通过使用条件超参数网络，本研究提出在多个高斯噪声水平下实现高清图像重建的方法，同时达到最高的准确性和图像质量。

    Feb, 2024