Sep, 2023

基于域条件先验引导的扩散模型用于加速磁共振成像和定量磁共振成像重建

PDF
TL;DR基于扩散模型的图像重建方法用于多线圈磁共振成像和定量磁共振成像重建，利用扩散模型中的频率和参数域中的领域条件，利用先前的磁共振物理学作为扩散模型中的嵌入，通过引导训练和采样过程中的数据一致性来表征磁共振成像的 k - 空间编码，并利用 MR 信号建模进行定量磁共振成像重建。此外，梯度下降优化被融入到扩散步骤中，增强特征学习和降噪效果。该方法在高加速因子下重建图像表现出显著的潜力，特别适用于静态和定量磁共振成像的重建，可以在不同解剖结构上保持较高的重建准确性和效率。除了直接应用外，该方法具有潜在的泛化能力，适用于各种领域的反问题。
发现论文，激发创造
  • 基于条件扩散模型的引导重建用于无监督脑磁共振成像异常检测

    通过在扩散模型上引入条件机制，对无监督异常检测中的脑部 MRI 图像重构进行优化，以提高重构质量、域适应性特征和分割性能，并且可在不同 MRI 采集和模拟对比度之间进行领域适应，从而提高脑部 MRI 无监督异常检测的性能和泛化能力。

    Dec, 2023

  • 高度欠采样磁共振图像重建的相关多频扩散建模

    通过结合 k - 空间数据和扩散过程的特性，本研究提出了一种新的方案，利用不同策略挖掘多频先验，并保留重建图像中细节纹理，同时通过高频先验提取器更快地收敛扩散过程，从而提高了 MRI 重建的准确性和采样过程的加速性。实验结果验证了该方法成功地获得了更准确的重建并超越了现有方法。

    Sep, 2023

  • Phy-Diff: 物理导向的沙漏扩散模型用于扩散 MRI 合成

    本研究提出了一种基于物理原理的扩散模型来生成高质量的扩散磁共振成像，引入了扩散过程中的噪声演化物理原理和基于查询的条件映射，并通过采用适配器技术引入 XTRACT 图谱作为白质束的先验知识，实验结果表明我们的方法优于其他最先进的方法，并具有推进扩散磁共振成像增强的潜力。

    Jun, 2024

  • 利用扩散模型学习加速螺旋 MRI 的领域特定逆 NUFFT

    利用生成扩散模型的重建算法结合条件训练和基于频率的引导实现了高质量的超快速扫描下的重建图像，进而识别出一组优化的变密度螺旋轨迹，与非均匀快速傅里叶变换相比，图像质量大幅提高，这些方法可实现实时三维成像所需的极高加速因子。

    Apr, 2024

  • 通过扩散生成模型优化压缩感知磁共振成像采样模式

    这篇研究提出了一种利用预先训练的扩散生成模型优化亚采样压缩感知多线圈磁共振成像的采样方式的学习方法，并证明该方法实现的采样运算符可以在不同的解剖结构、加速因子和模式类型的情况下实现具有竞争力，并且在 2D 模式下具有改进的重建效果。

    Jun, 2023

  • 利用先验信息的潜在扩散加速纵向磁共振成像

    基于已有扫描结果的 MRI 先验信息重建方法以及扩散模型的训练方法，能够有效缩短扫描时间并提高利用先验信息的效果。

    Jun, 2024

  • K 空间冷扩散：学习重建加速 MRI 图像不带噪声

    本文提出了一种 k 空间冷扩散模型，用于在 k 空间中进行图像退化和恢复，而无需高斯噪声，并通过与多种基于深度学习的 MRI 重建模型进行比较，在一个著名的大型开源 MRI 数据集上进行了测试。结果显示，这种新颖的退化方式能够生成加速 MRI 的高质量重建图像。

    Nov, 2023

  • 高级物理感知 DeepMRI：从热传导到 k 空间内插的桥梁

    本文介绍了一个可解释的框架，将 $k$-space 插值技术和图像域方法统一起来，建立在热扩散方程的物理原理基础之上，并提出了一种新的 $k$-space 插值方法，实验证明该方法在重建精度方面优于传统 $k$-space 插值方法、基于深度学习的 $k$-space 插值方法和传统扩散模型，尤其在高频区域表现出更好的性能。

    Aug, 2023

  • 基于分数的扩散模型用于加速 MRI

    该研究提出了一种使用分数梯度模型重构图像的方法，并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题，尤其是加速 MRI，具有强大的性能及实用性，并且可重构复杂值数据。

    Oct, 2021

  • 自回归图像扩散：生成图像序列及在 MRI 中的应用

    非侵入性成像模式中，磁共振成像是一种广泛使用的成像方式，但其图像质量和成像速度之间存在平衡难题。本文介绍了一种基于自回归图像扩散（AID）模型的加速 MRI 重建方法，该算法结合了未采样的 k 空间和现有信息，评估了 fastMRI 数据集训练的模型，并展示了 AID 模型能够稳健地生成时序连贯的图像序列，在 3D 和动态 MRI 中的表现优于标准扩散模型，还能减少幻觉，并学习图像间的依赖关系。

    May, 2024