Aug, 2023

PCMC-T1：具有物理约束的自由呼吸心肌 T1 映射

PDF
TL;DRPCMC-T1 是一种用于自由呼吸 T1 映射的物理约束深度学习模型，通过将信号衰减模型纳入网络结构来促进沿纵向弛豫轴的物理合理变形，实验证明其在模型拟合质量和临床影响方面优于基线方法。
t1 mappingquantitative magnetic resonance imagingmotion correctionfree-breathingdeep-learning
发现论文，激发创造
  • PCA-Relax：基于深度学习的心脏 $T_1$ 映射动态校正的群组注册

    本文提出了一种基于深度学习的组内注册框架，名为 “PCA-Relax”，用于纠正心脏磁共振图像中的呼吸和心动运动，实现定量 MRI 的精确测量和评估。

    Jun, 2024

  • 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

  • 基于强度的心脏磁共振图像的三维运动校正

    通过最大化切片交叉区域间的配对强度一致性，我们提出了一种算法来同时对所有短轴和长轴切片进行校准，无需任何先验知识，展示了我们的方法对于大范围的旋转和平移具有鲁棒性。

    Mar, 2024

  • 呼吸运动下极端心脏磁共振分析挑战（CMRxMotion）

    该研究设计了一项心脏 MRI 分析挑战赛（CMRxMotion Challenge），以评估呼吸运动对图像质量的影响，并检验分割模型的稳健性，招募了 40 名志愿者进行不同的呼气行为，采集了具有伪影的短时成像，并通过定量评估绩效和对比实验，考察自动化影像质量评估和分割任务的算法效果。

    Oct, 2022

  • 基于稳健 PCA 的对比度无关分组注册用于定量心脏 MRI

    提出了基于鲁棒主成分分析的新型运动校正框架，将定量心脏核磁共振成像分解为低秩和稀疏成分，并在 rPCA 框架内集成了基于组内卷积神经网络的配准骨干。通过实验证明，该方法在提高配准性能和减少定量映射误差方面比基准方法更有效，且该 rPCA 框架具有通用性，可以与其他配准骨干集成。

    Nov, 2023

  • 深度学习用于自动筛查心律失常引起的右心室心肌病的应变量化

    自动识别心脏 MR 图像中的位移异常，通过注册、形变分析和应力分析等方法进行心脏运动的量化，并在心脏病诊断中发现具有潜在价值的心脏位移变化。

    Nov, 2023

  • DeepTag: 一种基于无监督深度学习的心脏标记磁共振图像运动跟踪方法

    本文提出了一种基于深度学习的全自动运动跟踪方法，可以对心脏标记核磁共振成像（t-MRI）图像中的运动进行跟踪，并且在动态医学成像方面提供了有用的解决方案。实验证明，与传统运动跟踪方法相比，这种新方法在地标跟踪的准确性和推理效率方面都表现出了优越性。

    Mar, 2021

  • 多模态学习提升来自心脏 CineMR 图像的晚期机械激活检测

    本研究提出了一种多模态深度学习框架，利用先进的图像技术来改善临床分析性能，该框架首次利用位移编码和激发回波（DENSE）获得的心肌应变的准确性和重复性，来引导晚期机械活化检测中电影心磁共振（CMR）成像的分析。实验证明，我们提出的方法显著改善了电影 CMR 图像的应变分析和晚期机械活化检测的性能，更接近于 DENSE 的成果。

    Feb, 2024

  • 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

  • 实时自由呼吸心脏磁共振成像的深度学习分割评估

    深度学习网络在实时无呼吸心磁共振成像中对心脏进行体积分析的准确性较高，并且 nnU-Net 方法的表现超过了其他方法，可用于可靠的自动分割。

    Nov, 2023