May, 2023

针对特定任务的 MRI 欠采样重建的约束概率掩模学习

PDF
TL;DR本文提出了一种名为 ProM 的方法，该方法可用于直接学习 MRI 下采样掩蔽模式。通过在 MRI 数据集上进行的实验，该方法显示出优越性能，可创建最大化下游任务性能的下采样掩蔽，并具有比现有方法更多的使命和域特定的模式。
magnetic resonance imagingundersamplingprommask optimizationsegmentation
发现论文，激发创造
  • 基于可扩展学习的动态压缩磁共振采样优化

    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

  • 面向广义欠采样 MRI 重建的物理深度神经网络

    通过引入基于物理原理的 DNN 架构和训练方法来提高 DNN 方法在 MRI 重建中的泛化能力，该方法通过采用不同的欠采样蒙版产生的数据来鼓励模型推广 MRI 重建问题，在 Fast-MRI 数据集上的实验结果表明，我们的方法在解决 MRI 重建中的艰难问题方面比传统方法有更好的应用前景。

    Aug, 2022

  • 基于深度学习的低采样 MRI 重建

    本文利用深度学习方法，通过对 k 空间数据进行次 - Nyquist 采样策略降维，来提高磁共振成像的速度，并提供了理由为什么该方法表现良好。通过在时间消耗方向上采用均匀子采样捕捉高分辨率图像信息，同时允许由 Poisson 求和公式指导的图像折叠问题。为了处理由图像折叠产生的定位不确定性，只添加了极少量的低频 k - 空间数据。大量的实验证明了该方法的显着性能表现，只需要用到 29% 的 k - 空间数据就可以像使用完全采样数据的标准 MRI 重建一样高效生成高质量的图像。

    Sep, 2017

  • 一种即插即用的合成数据深度学习用于磁共振图像重建的稀疏重构方法

    该研究提出了一种深度插拔方法，用于未采样的磁共振成像重建，可以适应不同的采样设置，并能在不同的欠采样模式和采样率下提供良好且稳健的加速图像重建性能。

    Sep, 2023

  • 无监督自适应隐式神经表示学习用于特定扫描的 MRI 重建

    我们提出了一种无监督的自适应粗到细框架，通过学习从多维坐标到相应信号强度的映射，有效调整监督信号的比例，从而改善过拟合问题并提高 MRI 重建的整体质量。

    Dec, 2023

  • 快速可控扩散模型用于少样本 MRI 重建

    该研究介绍了一种名为 PPN（Predictor-Projector-Noisor）的新算法，它增强并加速了 MRI 低采样重建的可控生成扩散模型，结果表明 PPN 比其他可控采样方法更快速地产生与低采样 k 空间测量一致的高保真 MR 图像，无监督 PPN 加速的扩散模型适应不同的 MRI 采集参数，比监督学习技术更适用于临床使用。

    Nov, 2023

  • 基于学习的 MRI 压缩成像

    这篇论文介绍了一种基于学习的框架，用于优化针对特定重建规则和解剖学的 MRI 子采样模式，在噪声和无噪声情况下，通过访问代表性的训练信号集合，并搜索一种在该集合中的平均表现良好的采样模式，我们提出了一种参数自由的贪婪掩模选择方法，并通过统计学习理论严谨地证明了该框架的正确性。

    May, 2018

  • 利用物理知识的神经网络学习最优 K 空间采集与重建

    该研究提出了一种优化框架，通过使用神经 ODE 将 k 空间采样视为一个普通微分方程问题来学习 k 空间采样轨迹，并展示了该方法比笛卡尔和非笛卡尔采集中的传统下采样方案具有更好的成像质量和重建性能

    Apr, 2022

  • DiffCMR: 快速心脏 MRI 重建与扩散概率模型

    本研究提出了一种基于条件去噪扩散概率模型的新型磁共振成像 (MRI) 图像去噪框架 DiffCMR，通过感知来自欠采样 MRI 图像切片的条件信号，并生成相应的全采样 MRI 图像切片。经过多轮合成策略的推断，验证了 DiffCMR 在 MICCAI 2023 心脏 MRI 重建挑战数据集上的心动影像重建和 T1/T2 映射任务，并显示出超越先前方法的最先进性能。

    Dec, 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