物理学知识卷积神经网络生成具有通用性的合成磁共振图像
通过使用一种名为 PISF 的物理学知识驱动的合成数据学习框架，我们展示了在多种快速 MRI 重建场景中，训练深度学习模型可以实现与实际数据匹配的可比甚至更好的成果，并将对真实 MRI 数据的需求降低了高达 96%。
Jul, 2023
本文提出了一种基于条件生成对抗网络的多对比度 MRI 综合新方法，该方法通过对抗损失保留高频细节，通过对注册多对比磁共振图像的逐像素损失和对非注册图像的循环一致性损失提供增强的合成性能，利用邻近切片的信息进一步提高合成品质，实验证明其优于以前最先进的方法，可以提高多对比度 MRI 检查的质量和多样性，无需需要长时间的检查。
Feb, 2018
PINQI 是一种基于深度学习的 MRI 重建算法，它结合了信号、采集模型和学习的正则化方法，能够高效准确地还原受高度欠采样影响的 MRI 图像，具有较高的实用价值。
Jun, 2023
通过引入一个生成策略来培训图像配准的网络，从而能使网络在不同的 MRI 对比度下精确地适配，在 3D 神经影像方面表现出色，并且不需要依赖于真实的图像数据和解剖标签，其代码可从网址获取。
Apr, 2020
用监督深度学习技术可以从 3T MRI 输入生成合成的 7T MRI。本文介绍了多种基于自定义变体的 V-Net 卷积神经网络的 7T 合成算法。我们证明基于 V-Net 模型在增强单点和多点 MRI 数据集方面的性能优于现有基准模型。我们的模型在训练了 8 个轻微创伤性脑损伤（TBI）患者的 3T-7T MRI 对后，在合成 7T 方面实现了最先进的性能。与以前的研究相比，我们的管道生成的合成 7T 图像还显示了对病理组织的优越增强效果。此外，我们还实施和测试了一种对输入分布变化具有鲁棒性的模型训练数据增强方案。这使合成的 7T 模型能够适应多中心数据集中的扫描仪内部和跨扫描仪的变异性。在包括健康受试者和轻微 TBI 患者的两个机构的 18 对 3T-7T MRI 数据集上，我们的模型保持其性能，并能在分辨率较低的 3T MRI 输入上泛化。我们的发现证明了基于 V-Net 模型在 MRI 增强方面的潜力，并为增强合成 7T 模型的泛化能力进行了初步探索。
Mar, 2024
生成式人工智能模型在创建改进神经影像研究的合成脑 MRI 方面具有巨大潜力，但目前主要研究仅侧重于优化合成 MRI 的视觉质量，缺乏对其与神经科学的关联性的深入理解。然而，通过我们提出的新的生成模型 BrainSynth，我们首先实现了在 T1 加权 MRI 方面实现最先进视觉质量的元数据条件下（例如年龄和性别具体），并通过一种新的程序扩展了我们的评估方法，以量化解剖合理性，即合成 MRI 多少地捕捉到脑区的宏观结构特性，并且准确地编码了年龄和性别的影响。结果表明，我们合成的 MRI 中有一半以上的脑区在解剖上是准确的，即真实 MRI 与合成 MRI 之间存在很小的效应。此外，解剖合理性在皮层区域之间根据其几何复杂性而异。根据现有情况，我们的合成 MRI 可以显著改善卷积神经网络在独立研究中识别加速衰老效应的训练。这些结果突出了使用生成式人工智能来辅助神经影像研究的机会，并指出了进一步改进的方向。
Oct, 2023
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