ICCVAug, 2023

HyperCoil-Recon：一种基于超网络的 MRI 重建任务切换网络的自适应线圈配置

PDF
TL;DR通过使用基于超网络的线圈配置任务切换网络，我们的方法能够自适应于各种不同的未知配置，从而通过利用上下文知识和任务特定的权重来改善多线圈 MRI 重建性能。
parallel imagingmri reconstructiondeep learningcoil configurationhypernetwork
发现论文，激发创造
  • GrappaNet: 将平行成像与深度学习相结合用于多线圈 MRI 重构

    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

  • 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

  • 多任务磁共振成像重建基于元学习

    使用元学习方法在多个 MRI 图像数据集上高效学习图像特征，并同时重建多种成像序列的高度欠采样 k 空间数据。

    Mar, 2024

  • 基于任务变换网络的 MRI 恢复与超分辨率联合重建

    本文提出了一种基于 T$^2$Net 的 MRI 重建和超分辨率的多任务联合学习框架，将重建和超分辨率分成两个子分支，通过任务转换器实现了两个任务的共享特征学习，实验结果表明该模型在定量和定性方面都显著优于先进的序列方法。

    Jun, 2021

  • PARCEL: 多线圈 MR 成像的基于物理的无监督对比度表示学习

    为了解决神经网络模型解释性不足、训练数据有限的问题，本文提出了一种基于物理学的无监督对比表示学习方法 (PARCEL)，通过两个网络的对比学习实现 MRI 图像的高精度重建。结果表明，PARCEL 方法能够实现准确的 MRI 重建而不依赖于全采样数据集。

    Feb, 2022

  • 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

  • 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

  • Deep J-Sense: 通过展开交替优化来加速 MRI 重建

    使用深度学习方法 Deep J-Sense 重建磁共振成像图像，同时优化磁场核和线圈灵敏度图，进一步提高成像效果和鲁棒性。

    Mar, 2021

  • 深度学习方法用于平行磁共振图像重建

    介绍了基于神经网络的机器学习技术在 Magnetic Resonance Imaging（MRI）领域的应用以及针对当前加速 MRI 主流的多线圈信息的补充与研究，覆盖线性和非线性方法，探讨了引入改进正则化器的图像域方法以及基于神经网络的更好插值策略的 k 空间方法，讨论了相关问题和未解决的问题和近期为社区制定开放数据集和基准的努力。

    Apr, 2019

  • 基于模型的卷积去混叠网络学习用于并行 MR 成像

    本文提出了一种基于模型卷积去混叠神经网络的方法，使用自适应参数学习从多线圈下采样 k 空间数据实现精确重建，以加速 MR 成像。该方法不需要估计多线圈灵敏度，评估结果表明其在定量和定性分析方面比目前现有的三种最新方法均表现出更优异的性能

    Aug, 2019