Aug, 2023

K 波段：基于 K 空间子集的随机梯度下降的自监督 MRI 重建

PDF
TL;DR通过在有限分辨率数据上进行自监督训练来提供实验保证，并且在解决磁共振成像问题中达到了现有方法的性能水平。
deep learningmagnetic resonance imagingk-bandlimited-resolution dataself-supervised training
发现论文，激发创造
  • 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

  • 基于矩阵补全的深度展开均衡模型在自监督 MRI k - 空间插值中的应用

    通过利用 $k$ 空间数据的固有结构低秩性实现神经网络结构的正则化，并将网络结构约束为非扩张映射，从而保证网络收敛于一个固定点。这个固定点可以根据矩阵完成理论完全重建缺失的 $k$ 空间数据，并在无全采样标签的情况下，验证了我们提出方法的有效性，并证明其在某些场景中表现优于现有的自我监督方法和传统的正则化方法，达到了与监督学习方法相当的性能。

    Sep, 2023

  • JSSL: MRI 重建的联合监督与自监督学习

    该研究提出了一种名为 JSSL（联合监督和自监督学习）的深度学习方法，用于在目标数据集不完全采样的情况下，通过同时利用代理数据集和目标数据集，提高 MRI 重构的质量。实验证明，JSSL 方法相较于传统的自监督训练方法有了明显的改进，从而凸显了该联合方法的有效性。

    Nov, 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

  • 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

  • MRI 超分辨率和 Gibbs 伪影去除的无监督框架

    本文提出了一种无监督学习框架，可用于 MRI 超分辨率和去除 Gibbs 伪影，同时提出正则化方法以提高模型的泛化能力，实验证明方法不仅在超分辨率方面表现最佳，而且显着减少了 Gibbs 伪影，具有良好的泛化能力，有助于临床应用。

    Feb, 2023

  • 基于多重监督网络训练的动态 MR 成像技术：获得 K 空间和空间先验知识

    本论文提出了一种综合应用 k 空间和空间先验知识的动态 MRI 成像方法，采用多监督网络训练技术，可以在更短的时间内获得比传统方法和现有技术更好的重建结果。

    Sep, 2018

  • 学习在笛卡尔 MRI 中取样

    通过压缩感知和重建算法，优化磁共振成像 (MRI) 的采样轨迹在临床设置中具有潜在作用，提高采样速度并减少成本。

    Dec, 2023

  • 强化学习下主动的 MR k 空间采样

    本文研究了深度学习方法在磁共振图像 (MRI) 采集上的优化，提出了一种利用强化学习实现学习 MRI 采集轨迹的方法，并在公开的大规模 MRI 数据集上进行实验，结果表明该方法在各种不同加速因子下的主动 MRI 采集方面比现有技术显著优越。

    Jul, 2020

  • SelfCoLearn: 自我监督协作学习用于加速动态 MR 成像

    该论文提出了一种自我监督协作学习框架（SelfCoLearn），用于从不完整的 k - 空间数据准确地重建动态磁共振图像，该框架包括双网络协作学习、重新采样数据增强和特殊设计的共同训练损失三个重要的组件。在体内数据集上进行评估，结果表明，该方法具有从不完整的 k - 空间数据中捕获必要和固有表示以实现高质量和快速动态磁共振成像的强大能力。

    Aug, 2022