Nov, 2022

自监督同性质超分辨率胎儿脑磁共振成像

PDF
TL;DR该文提出了一种基于自监督学习的单体积超分辨率框架（SAIR）用于胎儿脑 MRI 的图像重建，实验证明 SAIR 与多体积超分辨率重建方法相当，并且可以纳入当前的重建流程。
superresolutionfetal-brainmriimage reconstructionself-supervised learning
发现论文，激发创造
  • 基于区域一致性的半监督学习用于胎儿脑 MRI 质量评估

    本研究提出了一种基于半监督的深度学习方法，通过均值教师模型及 ROI 一致性损失检测胎儿脑体积扫描中的伪迹，结果表明相比于有监督学习，该方法可以提高模型准确度约 6％，并且优于其他半监督学习方法。此外，该方法已在 MR 扫描仪上进行实现和评估，并证明了胎儿 MR 扫描过程中在线图像质量评估和图像重新采集的可行性。

    Jun, 2020

  • 一种自监督任意尺度各向异性 MRI 超分辨率框架

    该论文提出了一种高效的自监督任意尺度超分辨率方法来重建等体磁共振图像，并在医学脑部图像收集方面具有实际意义。

    May, 2023

  • 自监督超声到 MRI 胎儿脑部图像合成

    本文提出了一种基于超声图像合成类似磁共振图像的方法，该方法自监督、端到端可训练，并利用交叉模式关注和对抗性学习等技术，成功生成了逼真的胎儿 MRI 图像。

    Aug, 2020

  • 磁共振图像的切片间超分辨率：预训练和自监督微调

    提出了一种自监督超分辨率 MR 图像的方法，通过预训练和微调模型，实现高质量的图像重建，可应用于临床医学领域。

    Jun, 2024

  • 基于 Transformer 的自蒸馏生成式先验用于脑 MRI 超分辨率

    本研究提出了一种基于 TransMRSR 的创新性两阶段脑 MRI 超分辨率方法，具有良好的细节保留和结构重建性能，其中 GAN 是提高高分辨率图像生成质量的关键模块之一。

    Jun, 2023

  • 对超高场功能磁共振成像的分辨率和刺激不可知超分辨率技术的应用：以视觉研究为例

    这项研究介绍了一种基于深度学习的三维超分辨率 (fMRI) 方法，通过采用一个分辨率无关的图像增强框架，使我们的方法能适应不同的体素尺寸而无需重新训练。我们应用了这一创新技术来定位早期视觉区域中细粒度的运动选择性区域，并且证明这种方法潜在地能增强 fMRI 的空间分辨率，并大幅降低采集时间。

    Nov, 2023

  • 基于辐射扩散生成模型的自监督胎儿 MRI 三维重建

    提出了一种基于 Radiation Diffusion Generation Model (RDGM) 的新型胎儿脑 MRI 高质量体重建方法，该方法利用 Neural Radiation Field (NeRF) 和超分辨率生成的扩散模型，使用预训练的 transformer 模型进行切片配准，进一步增强了体积的全局一致性和区分能力，实验结果表明该方法在真实世界胎儿脑 MRI 堆栈上表现出最先进的性能。

    Oct, 2023

  • 自监督对比学习中的非配对 MRI 超分辨率

    本研究提出了一种基于自监督对比学习的非配对 MRI 超分辨率方法，利用有限的训练数据提高超分辨率性能，结果显示即使在仅有有限数量的 HR 图像的情况下，峰值信噪比和结构相似性指数都得到了显著提高，强调了该方法在解决有限训练数据挑战上的潜力，以推进临床应用中的高分辨率 MRI。

    Oct, 2023

  • 具备高质量等向性体积引导的胎儿大切片脑 MR 扫描组织分割

    利用高质量等间隔胎儿脑磁共振体积（以及对应的注释）指导厚层扫描的组织分割，通过域自适应技术实现从高质量等间隔体积到厚层扫描的知识迁移，通过 Fourier 分解提取图像信息和样式编码，最后使用 Cycle-Consistent Domain Adaptation Network（C2DA-Net）在未注释的厚层扫描上进行准确的组织分割。在大规模临床数据集上的广泛实验证明，我们的 C2DA-Net 在定量和定性上都比领先的方法表现出更好的性能。

    Aug, 2023

  • 用于功能磁共振成像的鲁棒刚性切片到体积配准的自注意力模型

    通过引入自我关注机制，本研究提出了一种用于将 2D 功能磁共振成像切片与 3D 参考体积对齐的端到端切片级运动校正模型，以增强其对输入数据变化和不确定性的鲁棒性，并实现实时头部运动跟踪。

    Apr, 2024