加速磁共振成像的准确深度敏感度估算
使用深度学习方法 Deep J-Sense 重建磁共振成像图像,同时优化磁场核和线圈灵敏度图,进一步提高成像效果和鲁棒性。
Mar, 2021
通过使用卷积神经网络和 MRI 边缘保持正则化方法,提出了一种用于增强 Deuterium 代谢成像(DMI)灵敏度的处理方法(PRECISE-DMI),该方法能够在保持能够检测局部信号变化的能力的同时,将 DMI 的灵敏度提高了 3 倍。
Sep, 2023
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
本文提出了一种基于条件生成对抗网络的深度学习框架,能够从高度欠采样的数据重建 MRI 图像,并在重建误差和感知图像质量方面优于最先进的压缩感知 MRI 方法,同时可实现每张图像 0.22ms 至 0.37ms 的重建速度,具有实时应用潜力。
May, 2017
本篇研究探讨了如何大幅减少核磁共振成像扫描时间,介绍了一种使用深度残差学习网络处理成像伪影及并行成像算法来加速磁共振成像的新框架,该网络能够成功学习和去除干扰伪影,具有大幅度的计算时间加速。
Apr, 2018
通过使用一种名为 PISF 的物理学知识驱动的合成数据学习框架,我们展示了在多种快速 MRI 重建场景中,训练深度学习模型可以实现与实际数据匹配的可比甚至更好的成果,并将对真实 MRI 数据的需求降低了高达 96%。
Jul, 2023
并行成像是一种常用的技术,用于加速磁共振成像(MRI)数据采集。本研究介绍了 IMJENSE,一种基于扫描特定的隐式神经表示方法,用于改善并行 MRI 重建。通过利用内部信息和部分采集数据的物理特性来生成所需对象,IMJENSE 采用连续表示和 MRI 图像、线圈灵敏度的联合估计,优于传统的图像或 k 空间域重建算法,具有更好的稳定性和高质量的重建结果,为进一步加速并行 MRI 数据采集提供潜力。
Nov, 2023
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