Aug, 2023

零样本自监督学习重建的改进多次扫描弥散加权 MRI

PDF
TL;DR使用 zero-MIRID 的深度学习多段 EPI 重建方法，在体内实验中表现出卓越的成果，并实现了对扩散 MRI 图像的改进。
diffusion mrimsepi reconstructionzero-miriddeep learning-based image regularizationin-vivo experiment
发现论文，激发创造
  • 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

  • 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

  • Patch2Self: 自监督学习去噪扩散 MRI

    本文介绍了一种自主学习方法 Patch2Self，用于去噪扫描数据，并展示了它在研究微结构建模，纤维束连贯性跟踪和模型估计方面的有效性。

    Nov, 2020

  • 非笛卡尔自监督物理驱动深度学习重建高加速多回波螺旋磁共振成像

    本文提出一种基于物理驱动的深度学习重建技术来加速多回波螺旋 fMRI，从而实现高时空分辨率和有意义的 BOLD 分析。

    Dec, 2023

  • DiffSCI：基于迭代谱扩散模型的零样本快照压缩成像

    本研究通过将传统 SCI 技术和图像生成模型相结合，提出了一种名为 DiffSCI 的新型结构化零射扩散模型，来提高多光谱图像的快照压缩成像（SCI）重建的精度。DiffSCI 利用了深度先验和基于优化的方法对结构的理解，加上当代去噪扩散模型提供的生成能力。我们的广泛测试表明 DiffSCI 在模拟和真实数据集上均比现有的自监督和零射扩散方法表现出明显的性能优势，甚至超过了受监督的转换器对应方法。

    Nov, 2023

  • 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

  • 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

  • SPIRiT-Diffusion: 加速 MRI 的自洽驱动扩散模型

    提出了一种基于自洽驱动扩散模型的方法 ——SPIRiT-Diffusion，该方法能够通过优化模型中的随机微分方程进行扩散，避免了使用线圈灵敏度矩阵的多线圈数据重建过程中常常存在的准确估计线圈灵敏度矩阵的难题，在一项关于头颅内和颈部血管壁成像的实验中表现出了较高的重建质量和加速能力。

    Apr, 2023

  • SubZero: 子空间零样本 MRI 重建

    本文介绍了一种名为 SubZero 的平行网络框架，结合了注意力机制和基于子空间的零样本自监督学习方法，以提高 2D T2-shuffling 采集速度。实验证明 SubZero 在 T1 和 T2 映射采集中相较于当前方法具有更好的性能。

    Nov, 2023

  • 磁共振图像的切片间超分辨率：预训练和自监督微调

    提出了一种自监督超分辨率 MR 图像的方法，通过预训练和微调模型，实现高质量的图像重建，可应用于临床医学领域。

    Jun, 2024