通过引入并使用自监督的 k 空间正则化方法，本研究在动态磁共振成像中显著改善了神经隐式 k 空间重建的空间 - 时间图像质量。

Apr, 2024

本研究中，我们提出了一种基于实例的运动校正流程，利用运动引导的隐式神经表示来减轻运动伪影对解剖结构的影响，通过使用 NYU fastMRI 数据集对不同程度模拟的运动严重性进行评估，纯粹的校正方法可以将结构相似性指标（SSIM）提高 5％，峰值信噪比（PSNR）提高 5 dB，以及 HaarPSI 提高 14％，在随后的实验中，我们的方法相对于受运动干扰的图像，至少可以将分类准确度提高 1.5 个百分点以上。

Jul, 2024

基于隐式神经表示的 MRI 重建方法通过引入嵌入尺度的编码器和多层感知机 (MLP) 实现了对完全采样的 MRI 图像进行任意尺度的重建，相比其他重建方法，在公开 MRI 数据集上表现出更好的性能。

Sep, 2023

使用基于隐式神经表示的后验采样方法（DiffINR），该方法能在高加速因子下实现逼真精确的扫描成像重建，并且可以将其推广应用于其他医学影像任务。

Jul, 2024

通过回顾性方法结合深度神经网络和模型驱动的方法用于脑部常规二维自旋回波扫描图像中的平面刚体运动量化和校正，该方法能够有效估计高空间频率的运动参数并重建退化图像。

Dec, 2023

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

提出了一种新颖的卷积循环神经网络（CRNN）结构，通过联合利用时间序列的依赖性和传统优化算法的迭代性质，从高度欠采样的 k 空间数据中重建高质量的心脏 MR 图像，同时学习时空相关性，优于当前 MR 重建方法在计算复杂性、重建准确性和速度方面。

Dec, 2017

本研究提出了一种基于 Transformer 的 k-space 全局插值网络（k-GIN）以及一种新的 k-space 迭代细化模块（k-IRM），通过连接掩蔽图像建模与 k-space 插值，实现了动态磁共振成像（MRI）中对欠采样 k 空间的插值重建，实验结果显示该方法在高度欠采样 MR 数据的情况下具有更高的稳健性和通用性。

Jul, 2023

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

本研究提出了 CycleINR，这是一种新颖的增强隐式神经表示模型，用于 3D 医学数据体积超分辨率。通过利用学习的隐式函数的连续性，CycleINR 模型可以以任意上采样率获得结果，消除了单独训练的需求。此外，我们通过引入局部注意机制和融合循环一致性损失来增强 CycleINR 中的格网采样，并减轻过度平滑。我们引入了一个新的度量标准，即切片噪声水平不一致性（SNLI），来定量评估切片间噪声水平的不一致性。我们通过对内部数据集的图像质量评估和对医学分割十项全能（Decathlon）肝肿瘤数据集的下游任务分析来证明我们方法的有效性。

Apr, 2024