Oct, 2022

稀疏重建脑 MRI 的双域交叉迭代压缩激励网络

PDF
TL;DR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。
magnetic resonance imagingmrideep learningsparse reconstructiondual squeeze-excitation networks
发现论文，激发创造
  • DD-CISENet：用于加速 MRI 重建的双域交叉迭代挤压与激励网络

    提出了一种名为 DD-CISENet 的深度学习网络，用于加速 MRI 稀疏重建，结果表明其平均重建误差为 2.28±0.57％，优于现有的深度学习方法。

    Apr, 2023

  • 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

  • DuDoRNet: 基于深层 T1 先验知识的双域循环神经网络用于快速 MRI 重建

    该研究提出了一种基于 DDS 网络和 DRDNet 的 MRI 加速方法，可以快速重建从欠采样 MRI 数据中获得的 k 空间数据，得到高质量的 MRI 图像。

    Jan, 2020

  • 基于深度学习的低采样 MRI 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

  • 基于综合融合网络的双域多对比度磁共振成像重建

    通过深度学习，开发了一种高效的双域重建框架用于多对比度磁共振成像，重点在于最小化图像和频率域中的对比度错位以增强优化，实验证明该框架相较于现有算法在加速倍数高达 8 倍情况下具备较高的重建优势。

    Dec, 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

  • 利用物理知识的神经网络学习最优 K 空间采集与重建

    该研究提出了一种优化框架，通过使用神经 ODE 将 k 空间采样视为一个普通微分方程问题来学习 k 空间采样轨迹，并展示了该方法比笛卡尔和非笛卡尔采集中的传统下采样方案具有更好的成像质量和重建性能

    Apr, 2022

  • 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

  • 使用弱监督联合卷积稀疏编码进行三维医学图像的同时超分辨率和跨模态合成

    该论文提出了一种利用少量已注册的多模态图像对进行弱监督联合稀疏编码，从低分辨率单模态图像中生成高分辨率多模态图像的方法，并通过最大均值偏差项结合未配对数据来提高联合字典的学习质量，本文实验证明，该方法在超分辨率重建和同时进行超分辨率和跨模态综合方面优于现有技术。

    May, 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