Jun, 2023

CDiffMR: 能否替代高斯噪声，采用 K - 空间欠采样进行快速磁共振成像？

PDF
TL;DR本研究提出了一种名为 CDiffMR 的 MRI 重建方法，利用深度学习中的冷扩散卷积神经网络 (Cold Diffusion-based MRI Reconstruction) 和 k 空间下采样技术，以及合理的初始化和数据一致性条件策略，能够显著加快 MRI 重建速度，并且获得与现有最先进模型可比甚至更好的重建效果。
发现论文，激发创造
  • K 空间冷扩散：学习重建加速 MRI 图像不带噪声

    本文提出了一种 k 空间冷扩散模型，用于在 k 空间中进行图像退化和恢复，而无需高斯噪声，并通过与多种基于深度学习的 MRI 重建模型进行比较，在一个著名的大型开源 MRI 数据集上进行了测试。结果显示，这种新颖的退化方式能够生成加速 MRI 的高质量重建图像。

    Nov, 2023

  • 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

  • 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

  • 高度欠采样磁共振图像重建的相关多频扩散建模

    通过结合 k - 空间数据和扩散过程的特性，本研究提出了一种新的方案，利用不同策略挖掘多频先验，并保留重建图像中细节纹理，同时通过高频先验提取器更快地收敛扩散过程，从而提高了 MRI 重建的准确性和采样过程的加速性。实验结果验证了该方法成功地获得了更准确的重建并超越了现有方法。

    Sep, 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

  • 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

  • 使用展开扩散模型的自监督 MRI 重建

    介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

    Jun, 2023

  • 通过扩散生成模型优化压缩感知磁共振成像采样模式

    这篇研究提出了一种利用预先训练的扩散生成模型优化亚采样压缩感知多线圈磁共振成像的采样方式的学习方法，并证明该方法实现的采样运算符可以在不同的解剖结构、加速因子和模式类型的情况下实现具有竞争力，并且在 2D 模式下具有改进的重建效果。

    Jun, 2023

  • TC-DiffRecon：基于扩散模型和修改的 MF-UNet 方法的纹理协调 MRI 重建方法

    提出了一种名为 TC-DiffRecon 的基于扩散模型的 MRI 重建方法，不依赖于特定的加速因子进行训练，通过添加 MF-UNet 模块和 Coarse-to-Fine 采样方案来提高生成图像质量并减轻过度平滑问题。

    Feb, 2024

  • 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