May, 2023

使用深度强化学习控制模拟 MRI 扫描仪

PDF
TL;DR采用深度强化学习控制 MRI 扫描仪，通过游戏的框架解决重建图像的问题，结果表明深度强化学习可在具有有限监督并无需提供人类可读输出的复杂任务中实现自主 MRI 数据采集。
magnetic resonance imagingdeep reinforcement learningacquisition sequencemri scannerautonomous data acquisition
发现论文，激发创造
  • 强化学习下主动的 MR k 空间采样

    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

  • 医学影像中的深度强化学习：文献综述

    这篇论文综述了深度强化学习在医学成像中的应用，分别从深度强化学习的基础知识、医学成像领域的应用及未来展望等方面进行了解析。

    Mar, 2021

  • 深度学习用于加速和鲁棒的 MRI 重建的综述

    深度学习在磁共振成像重建中的应用及其对临床成像实践的潜力进行了全面综述，重点包括改善图像质量、加速扫描、处理数据相关挑战的深度学习方法和架构，以及优化采集协议、增强对分布变化的鲁棒性和克服潜在偏差等方面的讨论。

    Apr, 2024

  • 基于深度学习的术中磁共振图像重建

    通过对深度学习重建的质量进行评估，本研究旨在评估前瞻性加速的术中磁共振成像（iMRI）在切除性脑肿瘤手术中的质量。

    Jan, 2024

  • 深度学习方法用于平行磁共振图像重建

    介绍了基于神经网络的机器学习技术在 Magnetic Resonance Imaging（MRI）领域的应用以及针对当前加速 MRI 主流的多线圈信息的补充与研究，覆盖线性和非线性方法，探讨了引入改进正则化器的图像域方法以及基于神经网络的更好插值策略的 k 空间方法，讨论了相关问题和未解决的问题和近期为社区制定开放数据集和基准的努力。

    Apr, 2019

  • 基于深度学习的脑肿瘤儿童放疗计划的 MRI 加速

    通过使用数据重建，我们开发了一种基于深度学习的方法（DeepMRIRec），可从与 RT 特定接收线圈排列获取的欠采样数据进行 MRI 重建。通过在 73 名患有脑肿瘤 / 手术后区的儿童中使用环状线圈和后方线圈（12 个通道）获取的完全采样数据进行评估，我们的方法将扫描时间缩短了四倍，结构相似性得分（0.960）超过了目前评估的最先进方法（0.896），从而展示了加速 MRI 扫描用于 RT 规划的潜力。

    Nov, 2023

  • 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

  • 基于强化学习的医学图像时序采样

    利用深度 Q 学习和 REINFORCE 算法优化动态图像重建的采样策略

    Aug, 2023

  • 一对多：物理学知识的合成数据提升了用于快速磁共振成像重建的通用深度学习

    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

  • 深层级卷积神经网络级联重建 MR 图像

    通过卷积神经网络的深度级联，在 MRI 数据的欠采样下，提出了一种加速数据采集过程的图像重建框架，与现有的压缩感知方案相比，重建出来的图像具有更小的错误、更好的感知质量和更快的速度。该方法在保留解剖结构的同时，每张图片的重建速度能够达到 23 毫秒，足以实现实时应用。

    Mar, 2017