Apr, 2023

Ada-MoDL：将基于模型的深度学习适应于多种获取条件

PDF
TL;DR此研究介绍了一种针对不同磁场强度、加速和对比度等多种采集条件的 MRI 数据的单一基于模型的深度神经网络，可提供高质量的重建。通过使用一个可滚动的体系结构，基于每个捕获条件调整 CNN 特征和正则化参数的权重，利用来自多个采集条件的数据共同训练模型，证明该模型可以始终提供更好的性能，同时减少了每个采集设置所需的训练数据。
发现论文，激发创造
  • 基于模型的卷积去混叠网络学习用于并行 MR 成像

    本文提出了一种基于模型卷积去混叠神经网络的方法，使用自适应参数学习从多线圈下采样 k 空间数据实现精确重建，以加速 MR 成像。该方法不需要估计多线圈灵敏度，评估结果表明其在定量和定性分析方面比目前现有的三种最新方法均表现出更优异的性能

    Aug, 2019

  • 基于协作模型的 MRI 重建网络

    通过深度学习和模型驱动网络，使用注意力模块和修正模块来实现磁共振图像重建，并在多个序列上取得显著改善的结果，同时减少了计算复杂度。

    Feb, 2024

  • 通用单域推广的模态不可知去偏差

    提出了一种适用于多种不同模态的深度神经网络的单一领域通用性（single-DG）算法，称之为 Modality-Agnostic Debiasing (MAD)，它采用一个新颖的双分支分类器，一支专注于识别特定领域的表层特征，另一个则利用来自前一支的知识来捕获领域通用（语义）特征，在多种领域通用任务中取得了极高的效果。

    Mar, 2023

  • MoDL: 逆问题的基于模型的深度学习架构

    该研究提出了一种基于卷积神经网络的模型重建框架，实现了解决逆问题的途径。该框架克服了深度学习方法中过多参数所占用的训练数据和时间上的需求问题，并在重构图像方面取得了显著成果。

    Dec, 2017

  • 调制适配器多领域学习

    本文提出使用 Modulation Adapters 进行卷积滤波器权重更新的方法，从而在多领域的图像分类任务中取得了比现有最先进方法更好或相当的效果。

    Jul, 2023

  • 深度立体视觉的持续适应

    提出一种 Modularly ADaptive Network (MADNet) 架构和 Modular ADaptation (MAD, MAD ++) 算法设计，实现在不同环境下对深度估计进行实时自适应的端到端架构，无需与输入图像不同的数据源。

    Jul, 2020

  • AdaMML：自适应多模态学习用于高效视频识别

    本文提出了一种自适应多模态学习框架 AdaMML，它使用多模态策略网络在视频识别过程中根据输入选择最佳模态，有效地提高准确性和效率，实验结果表明该方法相比传统基线方法能减少 35%-55% 的计算量，且在准确率方面也取得了一致的提升。

    May, 2021

  • PnP-AdaNet：可插拔对抗域自适应网络及跨模态心脏分割基准

    本文介绍了一种应对不同模态的医学图像的领域自适应的神经网络 PnPAdaNet，并在心脏结构分割上验证了其优秀的效果，同时还提出了一个新的基准数据集。

    Dec, 2018

  • 实时自适应深度立体匹配

    通过采用 Modularly ADaptive Network (MADNet) 和 Modular ADaptation (MAD) 算法，本文提出了一种具有实时自适应功能的深度立体系统，能够在异构数据集上实现卓越的性能表现。

    Oct, 2018

  • 内存高效且稳健的单调算子学习用于加速并行磁共振成像（MOL）

    通过探究单调算子学习 (MOL) 框架在并行 MRI 领域的适用性，本文提出了一种利用单调卷积神经网络 (CNN) 和共轭梯度算法交替迭代来保持数据一致性的并行 MRI 加速方法，并验证了该方法在静态和动态设置下的有效性。

    Apr, 2023