Apr, 2023

基于随机图像质量转移的低场磁共振图像增强

PDF
TL;DR本研究提出了一种名为影像质量转移（IQT）的方法，通过建立低场成像与高场成像之间的关联来增强低场结构性 MRI 图像的对比度和分辨率。结果表明，IQT 增强的图像有望提高低资源环境下低场 MRI 的诊断效果。
low-field mriimage quality transferstructural mricontrastlmics
发现论文，激发创造
  • 图像质量转换增强非洲儿童癫痫低场脑 MRI 对比度和分辨率

    该研究使用 Image Quality Transfer 技术改善 0.36T 结构磁共振影像的分辨率，空间涵盖率和对比度，以提高低场 MRI 在癫痫管理中的临床实用性。

    Mar, 2020

  • 深度学习：从低场强到高场强 MR 的图像质量传递与概率下采样模拟器

    该研究采用图像质量转移（IQT）的方法，提高低场（<1T）扫描的结构 MRI 图像的分辨率、空间覆盖度和对比度，通过引入概率减采样模型，增强模型的鲁棒性，并设计了一种 U-net 架构的变种，在亚非地区低场 MRI 诊断癫痫的应用中取得了良好的效果。

    Sep, 2019

  • 一种用于图像质量转换的 3D 条件扩散模型 - 一种针对低场 MRI 的应用

    我们提出了一种 3D 条件扩散模型来改进 3D 体积数据，特别是低磁场 MR 图像，并在我们的网络中引入了跨批量机制以确保在小的 3D 补丁下有更广泛的上下文意识。对于 IQT 和脑区划，我们在公开的 Human Connectome Project（HCP）数据集上的实验证明了我们的模型在定量和定性上优于现有方法。代码公开可用于 https://github.com/edshkim98/DiffusionIQT。

    Nov, 2023

  • 基于得分的元学习增强的生成模型：从 0.5T MRI 重建 1.5T 样式图像

    本研究提出了一种基于 meta-learning 的方法，通过使用 teacher-student 机制学习低场磁共振成像到高场磁共振成像的映射，解决了直接学习由低场到高场映射的方法的局限，通过实验证明，该方法在重建高场磁共振成像方面优于现有的技术。

    May, 2023

  • 超高场表示的转移用于低场磁共振成像引导的脑分割

    通过深度学习框架将低场磁共振特征与推断得到的 7T 类似特征融合，实现在无 7T 磁共振条件下对脑图像进行分割任务，提高了分割质量和适应性。

    Feb, 2024

  • 利用联合扩散注意力模型从高场和超高场 MR 图像合成 PET 图像

    提出了一种基于高场 MRI 和超高场 MRI 的 PET 合成方法。采用的模型为有扩散过程和采样过程的联合扩散注意力模型，并学习了 MRI 和添加高斯噪声的 PET 的联合概率分布。实验证明该方法在高场 MRI 上优于目前最先进的 CycleGAN 方法，并尝试使用该方法生成来自超高场 MRI 的 PET 图像，为超高场 PET-MRI 成像提供了可能。

    May, 2023

  • 磁共振图像处理变压器的普适重建

    发展和评估了一种用于常规加速磁共振成像重建的深度学习模型。

    May, 2024

  • 应用仿真技术对 T2 Flair MR 图像进行采集漂移模拟，压力测试 AI 分割网络

    为常规神经影像测试数据提供一种模拟框架，以对抗在临床实践中常见的 T2 加权 FLAIR 磁共振成像协议中常发生的采集漂移，从而对深度分割网络进行 “压力测试”；通过模拟磁共振信号方程的 “采集漂移导数” 来模拟 MR 图像的获取变化，并通过真实 MR 扫描验证生成的图像，使用最先进的 MS 病变分割网络进行示例压力测试，以探索描述 F1 得分与序列参数回波时间（TE）和倒转时间（TI）之间依赖关系的通用模型函数。

    Nov, 2023

  • 基于仿真伪影的迁移学习方法的临床数据仓库中脑部 T1 加权 MRI 自动质量评估

    使用迁移学习方法，本研究提出了一种创新的方案，通过模拟图像伪影，自动进行临床数据仓库中三维梯度回波 T1 加权脑部 MRI 图像的质量控制，达到了优秀的识别质量差的 MRI 图像的结果，对中等质量的 MRI 图像也取得了令人满意的表现，为充分利用临床数据仓库中的 MRI 图像提供了有价值的工具。

    Jun, 2024

  • 3.0T 训练的深度学习分割模型在 0.55T 健康控制者的低场 MRI 上的开箱即用可行性

    评估将深度学习算法应用于 0.55T 与 3.0T 之间的双侧膝关节生物标志物量化的可行性，证明 0.55T 低场 MRI 可以用于评估膝关节软骨厚度和骨分割，尤其在使用已训练 3.0T 的深度学习算法时，其表现与 3.0T 几乎相当。

    Oct, 2023