Aug, 2023

DMCVR: 基于形态学引导的扩散模型用于 3D 心脏容积重构

PDF
TL;DR通过形态导向扩散模型，我们提出了 DMCVR，用于从稀疏的 2D 图像堆叠中更好地重建 3D 心脏容积，这种方法在生成模型中将心脏形态作为条件，消除了潜在代码的耗时迭代优化过程，提高了生成质量。我们的实验表明，DMCVR 在 2D 生成和 3D 重建性能等几个方面非常有效，能够产生高分辨率的 3D 心脏 MRI 重建，超过了当前的技术水平。我们提出的框架有着改善心脏疾病诊断和治疗规划准确性的巨大潜力。
3d cardiac reconstructioncine magnetic resonance imagingmorphology-guided diffusion modelhigh-resolutioncardiac disease diagnosis
发现论文，激发创造
  • 心脏扩散加权成像的高分辨率参考图辅助体积超分辨率

    该研究利用基于深度学习的方法提高扩散张量心脏磁共振（DT-CMR）图像质量，实现体积超分辨率，并证明其在心脏超分辨率图像重建中的推广性。

    Oct, 2023

  • 多视角混合图卷积网络用于心血管 MRI 中的体素到网格重建

    我们提出了 HybridVNet，它是一种将标准卷积神经网络与图卷积无缝集成的新颖架构，可以高效地处理表面和体积网格，并通过图结构对其进行编码。我们的模型结合了传统卷积网络、变分图生成模型、深度监督和网格特定正则化，从 CMR 图像中高效生成高保真度和适合模拟的网格。

    Nov, 2023

  • DiffCMR: 快速心脏 MRI 重建与扩散概率模型

    本研究提出了一种基于条件去噪扩散概率模型的新型磁共振成像 (MRI) 图像去噪框架 DiffCMR，通过感知来自欠采样 MRI 图像切片的条件信号，并生成相应的全采样 MRI 图像切片。经过多轮合成策略的推断，验证了 DiffCMR 在 MICCAI 2023 心脏 MRI 重建挑战数据集上的心动影像重建和 T1/T2 映射任务，并显示出超越先前方法的最先进性能。

    Dec, 2023

  • 基于解耦动态与形状模型的四维心肌重建

    提出了一种利用 4D 重建方法进行心肌形态和运动状态估计的方法，通过解耦动作和形状，预测限制切片获得的稀疏点云序列的内部 / 间接形状和运动估计。

    Aug, 2023

  • 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

  • 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

  • 基于稀疏 2D 心脏 MR 图像的全心脏 3D+T 表示学习

    我们提出了一种全心自监督学习框架，利用掩蔽成像建模自动发现心脏图像中空间和时间补丁之间的相关性，以生成有意义且高度聚类的心脏表示，该表示可以直接用于多个下游任务，而且在缺失或有缺陷的心磁共振平面上也具有鲁棒性，该方法在综合 3D+T 心脏信息方面具有出色的性能。

    Jun, 2024

  • 三维双心室心脏形态重建和建模的神经可变形模型，基于二维稀疏心脏磁共振成像

    将神经可变形模型应用于心脏三维双心室形状的重建和建模，可通过学习几何参数函数和全局 / 局部变形实现心脏形状恢复，能够自动生成高质量的三角网格，并实现不同心脏形状之间的精确匹配，具有优于传统方法的表现。

    Jul, 2023

  • 基于密集连接体积卷积神经网络的自动三维心血管 MR 分割

    本研究提出了 DenseVoxNet，一种新的密集连接的三维卷积神经网络用于自动分割心脏和大血管结构。它具有最大化信息流、特征重用和辅助侧通道等三个优势，并在医疗应用中显著优于已有方法，达到更好的性能而参数更少。

    Aug, 2017

  • 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