Mar, 2022

自动对焦 +: 磁共振成像中噪声鲁棒运动校正

PDF
TL;DR本研究提出了一种基于神经网络的正则化项来增强自动对焦的方法，以解决 MRI 中由运动造成的图像失真问题，并通过使用合成和真实噪声数据验证其有效性，表明该方法对噪声和解剖结构变化具有鲁棒性，优于现有的降噪方法。
发现论文，激发创造
  • IM-MoCo: 使用运动引导的隐式神经表示的自监督磁共振成像运动校正

    本研究中，我们提出了一种基于实例的运动校正流程，利用运动引导的隐式神经表示来减轻运动伪影对解剖结构的影响，通过使用 NYU fastMRI 数据集对不同程度模拟的运动严重性进行评估，纯粹的校正方法可以将结构相似性指标（SSIM）提高 5％，峰值信噪比（PSNR）提高 5 dB，以及 HaarPSI 提高 14％，在随后的实验中，我们的方法相对于受运动干扰的图像，至少可以将分类准确度提高 1.5 个百分点以上。

    Jul, 2024

  • 面向加速磁共振成像的注意力感知非刚性图像配准

    通过非刚性对齐获取可靠和一致的运动场，实现高对比度成像技术在磁共振成像中的快速重构。

    Apr, 2024

  • MRI 中回顾性运动校正的深度学习：综述

    本文综述了深度学习在核磁共振成像中运动校正方面的研究现状，讨论了不同方法及其面临的挑战和潜力，并探讨了未来方向以促进不同应用领域和研究领域之间的互动。

    May, 2023

  • 基于运动信息的脑 MR 图像重建深度学习框架

    本文提出一种新的方法，通过将动态模块集成到基于深度学习的 MRI 重建过程中，实现图像加速和运动校正的同时进行，实验结果表明，该方法在运动损坏的 MRI 数据集上优于传统图像重建方法。

    May, 2024

  • 基于深度学习与可解释人工智能的脑部 MR 图像动态伪影自动检测

    MRI 数据获取中的质量评估是确保数据质量和下游分析或解释成功的关键步骤。本研究演示了一种深度学习模型，用于检测 T1 加权脑图像中的刚体运动。该模型是 ArtifactID 工具的一部分，旨在在线自动检测 Gibbs 环绕、穿越和运动伪影。该工具自动化了耗时的质量评估过程，并增强了现场的专业知识，尤其适用于本地磁共振知识匮乏的资源匮乏环境。

    Feb, 2024

  • 3D 脑 MRI 联合图像去噪与运动伪影校正的迭代学习

    提出了一种通过迭代学习处理带有运动伪影的噪声 MRI 的联合图像去噪和伪影校正框架，包括自适应去噪模型和抗伪影模型，并在公共数据集和临床研究中得到了实验证明其在去噪和运动伪影校正两个任务中的有效性。

    Mar, 2024

  • 真实恢复者：MRI 运动伪影去除的无伪影流恢复器 (AF2R)

    以条件化归一流为基础，提出了一个新的端到端影像域模型 AF2R，通过将众多可逆步骤连接起来，将上下文和运动估计引入到模型中以恢复作废运动伪影的 MRI 图像。

    Jun, 2023

  • 用深度学习网络来纠正 3D OCT 视网膜图像中的轴向和冠状眼动

    提出基于深度学习的神经网络来校正 OCT 图像中的运动伪影，并在实验中表明该方法可以有效地校正运动伪影，恢复视网膜的整体曲率，并能够推广到各种疾病和分辨率。

    May, 2023

  • 使用正则化逆扩散进行 MR 图像降噪和超分辨率

    该论文提出了一种新的去噪方法基于得分的反向扩散采样，通过该方法，我们的网络在仅训练冠状膝关节扫描的情况下，在复杂的混合噪声污染的体内肝脏 MRI 数据中表现卓越，并提出了一种用同一网络提高去噪图像分辨率的方法，通过大量实验表明，我们的方法在具有先进性能的同时具有优良的特性，这些先前的 MMSE 去噪器没有的：自由选择去噪程度和量化不确定性。

    Mar, 2022

  • 使用 k 空间数据增强和课程学习自动检测心脏 MR 运动伪影的基于 CNN 的方法

    本研究提出了基于深度学习的方法，通过数据增强技术和学习曲线，自动检测心脏磁共振心动图像（CMR）中与运动相关的伪影，该方法在 UK Biobank 数据集上取得了 0.89 ROC 曲线下区域的高分类性能

    Oct, 2018