Jul, 2023

使用神经场进行加速心脏影像 MRI 的无监督重建

PDF
TL;DR提出了一种基于隐式神经场表征的非监督方法用于心脏心电影 MRI（所谓 NF-cMRI），该方法在体内进行了评估，对于 26 倍和 52 倍的欠采样黄金角度径向多线圈采集，实现了良好的图像质量和可比较的空间和改进的时间描述，优于先进的重建技术。
cardiac cine mrireconstruction approachesundersampled acquisitionsunsupervised approachimplicit neural field representations
发现论文，激发创造
  • 使用卷积循环网络和优化技术的心脏 MRI 重建

    研究提出了一种卷积递归神经网络（CRNN）架构，用于利用时间相关性在监督影像的心脏磁共振成像重建中。该模型结合了单图像超分辨率细化模块，相比于普通 CRNN 的实现，其在结构相似性和标准化均方误差方面，使单线圈重建提高了 4.4％和 3.9％。通过在 l1 损失中使用高通滤波器，可以更好地强调原始数据中缺失的高频细节，从而证明了该模型相较于基准案例的显著改进，并具有进一步提高心脏磁共振成像重建的潜力。

    Sep, 2023

  • 基于 ADMM 的深度心脏 MRI 重建

    心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

    Oct, 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

  • 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

  • CMRatt：一种基于注意力机制的加速心脏 MRI 重建方法

    通过在深度学习模型中引入注意力机制，本研究旨在探索在心脏磁共振重建问题中整合注意力机制的潜力。我们对多种最先进的空间和通道注意力机制进行了基准测试，并使用客观指标定量评估重建质量。受表现最佳的注意力机制的启发，我们提出了一个新的、简单而有效的注意力流水线，专门为心脏图像重建任务进行了优化，优于其他最先进的注意力方法。

    Apr, 2024

  • 用深度级联卷积神经网络重建动态磁共振成像

    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

  • 基于傅里叶特征输入的隐式神经网络用于自由呼吸心脏 MRI 重建

    本文提出了一种针对心脏磁共振成像的实时视频重建方法，通过使用隐式神经网络表示不断变化的心脏并进行信号重建，该方法达到了与卷积神经网络相当甚至更好的重建质量，但计算成本更高。

    May, 2023

  • 高加速心脏 Cine MRI 的临床可行扩散重建

    我们旨在开发一种临床可行的基于扩散模型的重建流水线，以改善心脏磁共振成像的图像质量。通过使用多输入多输出的扩散增强模型和快速推理策略，扩散重建减少了临床数据中前瞻性欠采样引起的空间和时间模糊，并得到专家检查的验证。每个视频处理仅需 1.5 秒的时间，使该方法能够在临床场景中应用。

    Mar, 2024

  • 多类点云完成网络：基于心动磁共振成像的三维心脏解剖重建

    该研究提出了一种全新的完全自动化表面重建管道，能够从原始的 Cine 磁共振成像获取多类三维心脏解剖网格，其中关键组件是一种多类点云完成网络（PCCN）；研究人员证明了该算法在合成数据集和实际数据集中的高精度和鲁棒性。

    Jul, 2023

  • NoSENSE: 无显式灵敏度图的学习展开心脏 MRI 重建

    通过深度卷积神经网络和算法展开，我们提出了一种新颖的学习图像重建方法，用于加速心脏 MRI，基于多个接收线圈，与许多现有的学习 MR 图像重建技术相比，我们的方法避免了明确的线圈灵敏度图（CSM）估计，并隐含地捕捉和学习了图像之间的不同线圈之间的关系。

    Sep, 2023