Sep, 2023

高度欠采样磁共振图像重建的相关多频扩散建模

PDF
TL;DR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。
mri reconstruction methodstissue regionsdiffusion processmulti-frequency priorsampling process
发现论文，激发创造
  • 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

  • DP-MDM：通过多个扩散模型实现细节保留的磁共振重建

    通过使用多种扩散模型提取 k 空间域中的结构和细节特征，利用虚拟二进制模态掩码和倒金字塔结构来增强 MRI 重建质量，方法通过逐步细化逼近细节并采用级联训练数据分布来表示多尺度数据，从而有效地捕捉和呈现高分辨率的 MRI 图像。

    May, 2024

  • 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

    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。

    Sep, 2023

  • 重新思考用于多对比度 MRI 超分辨率的扩散模型

    提出了一种名为 DiffMSR 的高效扩散模型，用于多对比度磁共振成像的超分辨率重建，通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识，并设计了 PLWformer 作为解码器，使重建的 MR 图像保持无失真。在公共和临床数据集上的大量实验表明，DiffMSR 优于现有方法。

    Apr, 2024

  • TC-DiffRecon：基于扩散模型和修改的 MF-UNet 方法的纹理协调 MRI 重建方法

    提出了一种名为 TC-DiffRecon 的基于扩散模型的 MRI 重建方法，不依赖于特定的加速因子进行训练，通过添加 MF-UNet 模块和 Coarse-to-Fine 采样方案来提高生成图像质量并减轻过度平滑问题。

    Feb, 2024

  • MSDiff：用于超稀疏视角 CT 重建的多尺度扩散模型

    提出了一种利用多尺度扩散模型的超稀疏视角 CT 重建方法，通过对图像信息的全局分布和局部特征进行重新构建，大大改善了超稀疏角度下图像重建质量，并在各种数据集中具有良好的泛化性能。

    May, 2024

  • CDiffMR: 能否替代高斯噪声，采用 K - 空间欠采样进行快速磁共振成像？

    本研究提出了一种名为 CDiffMR 的 MRI 重建方法，利用深度学习中的冷扩散卷积神经网络 (Cold Diffusion-based MRI Reconstruction) 和 k 空间下采样技术，以及合理的初始化和数据一致性条件策略，能够显著加快 MRI 重建速度，并且获得与现有最先进模型可比甚至更好的重建效果。

    Jun, 2023

  • 多尺度扩散频域精化超分辨率

    提出了一种新颖的基于频域引导的多尺度扩散模型（FDDiff），该模型通过细化的步骤将高频信息的补充过程分解为更精细的步骤，使用小波包频域链提供多尺度的中间目标，以逐步补充缺失的高频细节，并利用多尺度频率细化网络在一个统一的网络中预测所需的多尺度高频成分，通过对流模型在图像超分辨率任务中生成高质量图像，并在广泛的评估中展示了其优于先前的生成方法的结果。

    May, 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

  • 使用扩散模型从低密度区域生成高保真数据

    我们使用扩散过程生成模型解决了常见图像数据集中低密度区域的样本稀缺问题，通过修改采样过程使其指向低密度区域并同时保持合成数据的逼真度，经过严谨的验证，我们的方法成功地生成了低密度区域的新的高保真度样本。

    Mar, 2022