利用更快的傅里叶卷积神经网络进行加速 MR 扫描的图像重建
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
MRI 速度慢的问题得到了通过多视图采集和少量样本采集的两种方法的互补。本文介绍了一种新方法,采用学习完全端到端的方式扩展了先前提出的变分方法。在 fastMRI 数据集上,我们的方法获得了新的最先进的结果,适用于脑部和膝盖的 MRI。
Apr, 2020
通过深度学习生成卡式磁共振(MR)图像序列的方法,能够加速数据采集、提高图像清晰度,且在每张 2D 图像独立重建和序列帧联合重建方面均表现出优异的性能。
Apr, 2017
提出了一种名为 Dual-OctConv 的模型,它通过并行成像从多个欠采样图像中同时获取图像,从而加速磁共振(MR)图像重建,并在真实和虚构组件上学习多尺度空间频率特征,实现更丰富的表示能力,扩大感受野。在多线圈 MR 图像重建加速方面,该模型表现出卓越的性能。
Apr, 2021
本研究提出了一种名为 DeepcomplexMRI 的多通道图像重建方法,使用残差复杂卷积神经网络加速并行 MR 图像采集,并在多层网络中加强了 K 空间数据一致性,评估结果表明,该方法能够更准确地重建所需的 MR 图像。
Jun, 2019
提出了一种新颖的卷积循环神经网络(CRNN)结构,通过联合利用时间序列的依赖性和传统优化算法的迭代性质,从高度欠采样的 k 空间数据中重建高质量的心脏 MR 图像,同时学习时空相关性,优于当前 MR 重建方法在计算复杂性、重建准确性和速度方面。
Dec, 2017
本文提出了一种基于卷积循环神经网络的深度学习加速 MRI 重建方法,称为 RecurrentVarNet,通过在观测域($k$-space)而非图像域中进行优化,每个 RecurrentVarNet 块都由数据一致性项和递归单元组成,可以有效地重建 MRI 图像,并在公共多线圈数据集上优于传统方法和之前的深度学习方法。
Nov, 2021
该论文提出了一种多智能体系统和自注意力机制相结合的方法,将 2D / 3D 图像配准作为马尔可夫决策过程来解决,通过多个基于全卷积网络的智能体的提案及对应置信度的加权来取得了超过基于单智能体和基于优化方法的最新技术的优异成果。
Nov, 2017
本文介绍了一种新型方法 GrappaNet 通过深度神经网络集成传统的并行成像方法,能够在高加速因子下生成高质量的重建,实验证明在 FastMRI 数据集中与竞争方法相比,GrappaNet 可以生成更高质量的重建,加快 MRI 的数据获取速度。
Oct, 2019
利用傅立叶网络替代资源密集型的 U-Net 风格扩张路径,我们提出了 Fourier-Net,通过学习位于有限带宽傅立叶域中的位移场的低维表示,然后通过模型驱动的解码器将其转换为空间域中的全分辨率位移场,达到减少计算成本、提高注册性能的效果。
Jul, 2023