Jun, 2023

混合变分网络在加速 MRI 重建中的注意力机制

PDF
TL;DR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。
compressed sensingmagnetic resonance imagingdeep learningattention hybrid variational networkimage quality
发现论文，激发创造
  • 学习变分网络以重建加速 MRI 数据

    利用数学变分模型与深度学习相结合的可变网络，快速高质量重建临床加速多线圈 MR 数据，从而提高图像质量和去除残留伪影，保留 MRI 图像的自然外观和病理特征，可有效地整合到临床工作流中。

    Apr, 2017

  • 端到端变分网络用于加速 MRI 重建

    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

  • 一种具有理论保障的深度优化框架在压缩感知 MRI 中的应用

    提出了一种结合数值求解器和数据驱动架构的新型压缩感知磁共振成像 (CS-MRI) 方法，有效解决了现有算法中的深度学习收敛问题和鲁棒性问题，并明确了 MRI 过程中的 Rician 噪声分布，取得了更高的重建准确性和鲁棒性。

    Nov, 2018

  • 循环变分网络：用于加速 MRI 重构的深度学习逆问题求解器

    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

  • 基于自监督深度降噪方法的单幅图像压缩感知磁共振成像

    本文提出了一种单图像自监督压缩感知磁共振成像框架，能够实现压缩感知估计的深度与稀疏正则化，有效降低结构化压缩感知伪影，提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估，平均峰值信噪比 (PSNR) 提高了 2-4dB。

    Nov, 2023

  • 快速压缩感知 MRI 的深度去混叠

    本文提出了一种基于条件生成对抗网络的深度学习框架，能够从高度欠采样的数据重建 MRI 图像，并在重建误差和感知图像质量方面优于最先进的压缩感知 MRI 方法，同时可实现每张图像 0.22ms 至 0.37ms 的重建速度，具有实时应用潜力。

    May, 2017

  • 使用幅度和相位网络实现加速 MRI 的深度残差学习

    本篇研究探讨了如何大幅减少核磁共振成像扫描时间，介绍了一种使用深度残差学习网络处理成像伪影及并行成像算法来加速磁共振成像的新框架，该网络能够成功学习和去除干扰伪影，具有大幅度的计算时间加速。

    Apr, 2018

  • 自适应智能的 FastMRI

    本文介绍了将自适应智能应用于加速 MR 采集的方法，通过使用压缩感知理论和深度神经网络，利用域知识来加速 k 空间数据重建过程，并证明了自适应智能方法优于传统方法和不考虑先验知识的深度学习方法。

    Dec, 2019

  • 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

  • ADMM-Net：基于深度学习的压缩感知磁共振成像方法

    本文提出了两种新颖的深度学习网络来优化基于压缩感知的磁共振成像（MRI）重建的准确度和速度，这两种网络被称为 ADMM-Nets，在训练阶段，将所有参数进行差异性训练，同时在测试阶段使用已经优化的参数来实现 MRI 重建任务。经过大量实验，ADMM-Nets 实现了最先进的重建精度和快速计算速度。

    May, 2017