利用物理知识的神经网络学习最优 K 空间采集与重建
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
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
本文提出将 MRI 图像重建问题作为一种优化问题,使用神经 ODE 模型其优化轨迹,并探究了基于三种 ODE 求解的模型,相比 UNet 和级联 CNN 等其他方法,模型表现更好,参数效率更高,从而引入一种新的通过神经 ODE 建模连续优化动力学的 MRI 重建方式。
Jun, 2020
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
提出了一种利用神经辐射场(NeRF)概念的新型亚采样磁共振成像(MRI)技术,通过径向亚采样,将相应的成像问题转化为从稀疏观察数据渲染的图像建模任务,因此可以利用隐式神经表示从亚采样的 K 空间数据中获得高维 MR 图像。
Feb, 2024
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
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
通过引入基于物理原理的 DNN 架构和训练方法来提高 DNN 方法在 MRI 重建中的泛化能力,该方法通过采用不同的欠采样蒙版产生的数据来鼓励模型推广 MRI 重建问题,在 Fast-MRI 数据集上的实验结果表明,我们的方法在解决 MRI 重建中的艰难问题方面比传统方法有更好的应用前景。
Aug, 2022
本文使用双重收缩 - 激活网络和跨迭代残差连接,迭代融合 k 空间和 MRI 图像信息,实现 MRI 的稀疏重建,结果表明该方法的重建误差率平均仅为 2.28%,表现优于现有的图像域预测、k 空间合成和双域特征融合方法。
Oct, 2022