Apr, 2023

DD-CISENet：用于加速 MRI 重建的双域交叉迭代挤压与激励网络

PDF
TL;DR提出了一种名为 DD-CISENet 的深度学习网络，用于加速 MRI 稀疏重建，结果表明其平均重建误差为 2.28±0.57％，优于现有的深度学习方法。
mrisparse reconstructiondd-cisenetdeep learningneurology
发现论文，激发创造
  • 稀疏重建脑 MRI 的双域交叉迭代压缩激励网络

    本文使用双重收缩 - 激活网络和跨迭代残差连接，迭代融合 k 空间和 MRI 图像信息，实现 MRI 的稀疏重建，结果表明该方法的重建误差率平均仅为 2.28％，表现优于现有的图像域预测、k 空间合成和双域特征融合方法。

    Oct, 2022

  • DuDoRNet: 基于深层 T1 先验知识的双域循环神经网络用于快速 MRI 重建

    该研究提出了一种基于 DDS 网络和 DRDNet 的 MRI 加速方法，可以快速重建从欠采样 MRI 数据中获得的 k 空间数据，得到高质量的 MRI 图像。

    Jan, 2020

  • 混合变分网络在加速 MRI 重建中的注意力机制

    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

  • 跨域迭代网络用于低剂量心脏 SPECT 的同时去噪、有限角度重建和衰减校正

    本文提出了一种用于心脏 SPECT 的交叉领域迭代网络（CDI-Net），用于同时去噪声、重建和进行无 CT 校正，并以临床数据实现实验验证。此外，本文通过消融研究证明了跨领域和跨迭代连接以及自适应权重重新校准器在提高重建性能方面的重要性。

    May, 2023

  • 基于综合融合网络的双域多对比度磁共振成像重建

    通过深度学习，开发了一种高效的双域重建框架用于多对比度磁共振成像，重点在于最小化图像和频率域中的对比度错位以增强优化，实验证明该框架相较于现有算法在加速倍数高达 8 倍情况下具备较高的重建优势。

    Dec, 2023

  • 加速磁共振成像的准确深度敏感度估算

    本文提出了一种名为 JDSI 的联合深度灵敏度和图像重建网络，能够逐步提供更准确的灵敏度图，从而显着提高了重建图像的质量和状态，特别是在加速系数高的情况下，具有很好的鲁棒性和性能表现。

    Oct, 2022

  • 多通道磁共振图像重构的双域 U-Net 级联

    本研究基于 U-net 深度学习网络模型，将两个元素串联在 k-space 和图像域，考察了多通道 MRI 图像重建。实验结果表明，对于独立通道的重建，仅图像域的网络更好；对于多通道的同时重建，使用双域方法更优。同时发现，与先前发布的 Deep Cascade 模型相比，网络的级联使用在三个实验中有优势（p < 0.01）。

    Nov, 2019

  • 使用 3D 深度密集连接神经网络的脑部 MRI 超分辨率

    本文提出了一种新的神经网络体系结构（3D Densely Connected Super-Resolution Networks），用于从单张低分辨率 MRI 图像中恢复高分辨率的脑部结构特征，实验表明该网络在还原 4 倍分辨率缩减图像方面优于双三次插值和其他深度学习方法。

    Jan, 2018

  • 基于 ADMM 的深度心脏 MRI 重建

    心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

    Oct, 2023

  • 基于卷积网络辅助重建 Swin Transformer 的动态 MRI 重建学习

    提出了一种名为 Reconstruction Swin Transformer (RST) 的新型架构，用于 4D MRI 重建，该架构继承了视频 Swin Transformer 的骨干设计，并引入了新的重建头部来恢复像素级强度，通过在卡片 4D MR 数据集中的实验结果进一步证实了 RST 的优越性。

    Sep, 2023