提出了一种结合数值求解器和数据驱动架构的新型压缩感知磁共振成像 (CS-MRI) 方法,有效解决了现有算法中的深度学习收敛问题和鲁棒性问题,并明确了 MRI 过程中的 Rician 噪声分布,取得了更高的重建准确性和鲁棒性。
Nov, 2018
通过压缩感知和重建算法,优化磁共振成像 (MRI) 的采样轨迹在临床设置中具有潜在作用,提高采样速度并减少成本。
Dec, 2023
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
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
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
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
使用元学习方法在多个 MRI 图像数据集上高效学习图像特征,并同时重建多种成像序列的高度欠采样 k 空间数据。
Mar, 2024
该论文提出了一种基于生成对抗网络 (GAN) 的压缩感知磁共振成像(CS-MRI)重建方法,在保留高频内容和细节信息的同时,利用基于 Patch 的鉴别器和结构相似性指数损失来提高重建图像的质量。使用 Dense 和 Residual 连接的 U-net 生成器架构使得信息传输更容易且网络长度可变。实验证明,该算法在重建质量和抗噪效果方面优于现有技术且重建时间仅为毫秒级别,非常适合实时临床应用。
Oct, 2019
本文研究将压缩感知应用于磁共振成像,通过优化采样掩蔽来减少采样时间,并提出了一种基于概率分布的确定性掩蔽的解决方案和一种基于贪心算法的近似解决方案,该方法有效降低了计算负担,并在动态 MRI 中证明了其良好的性能。
Feb, 2019