Sep, 2023

一种用于氘代谢成像（DMI）的深度学习增敏方法

PDF
TL;DR通过使用卷积神经网络和 MRI 边缘保持正则化方法，提出了一种用于增强 Deuterium 代谢成像（DMI）灵敏度的处理方法（PRECISE-DMI），该方法能够在保持能够检测局部信号变化的能力的同时，将 DMI 的灵敏度提高了 3 倍。
发现论文，激发创造
  • 加速磁共振成像的准确深度敏感度估算

    本文提出了一种名为 JDSI 的联合深度灵敏度和图像重建网络，能够逐步提供更准确的灵敏度图，从而显着提高了重建图像的质量和状态，特别是在加速系数高的情况下，具有很好的鲁棒性和性能表现。

    Oct, 2022

  • 使用深度学习实现超分辨率 1H 磁共振波谱成像

    本文中介绍了一种利用深度学习技术来实现在低分辨率条件下提高磁共振波谱成像空间分辨率的方法。作者采用了新型的密集连接 UNet 架构来实现超分辨音谱图像的重构，并证实这种方法可以大大推进当前的 SI 工作流程。

    Feb, 2018

  • 基于 3D CNN 的 sMRI 和 MD-DTI 图像分类，用于阿尔茨海默病研究

    本文研究了自动分类方法的主要趋势，探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法，以及通过数据增强来平衡不同大小的类别对分类结果的影响。

    Jan, 2018

  • 基于深度学习的术中磁共振图像重建

    通过对深度学习重建的质量进行评估，本研究旨在评估前瞻性加速的术中磁共振成像（iMRI）在切除性脑肿瘤手术中的质量。

    Jan, 2024

  • DEMIST：适用于心肌灌注 SPECT 的基于深度学习的特定任务去噪方法

    通过基于深度学习的、对 MPI SPECT 进行去噪的特定检测任务方法（DEMIST）的客观评估，本研究提出的方法在检测心肌灌注缺损方面的表现显著优于对应的低剂量图像和普通的基于深度学习的去噪方法，并且该方法还在保持特定检测任务特征的同时改善了噪声特性。

    Jun, 2023

  • DeepcomplexMRI: 利用深度残差网络，通过复数卷积快速进行并行磁共振成像

    本研究提出了一种名为 DeepcomplexMRI 的多通道图像重建方法，使用残差复杂卷积神经网络加速并行 MR 图像采集，并在多层网络中加强了 K 空间数据一致性，评估结果表明，该方法能够更准确地重建所需的 MR 图像。

    Jun, 2019

  • DDM$^2$: 用生成性扩散模型进行自监督扩散 MRI 去噪

    该论文提出了一种自监督的去噪磁共振成像方法，称为 DDM^2，通过将统计基础的去噪理论整合到扩散模型中，采用条件生成实现去噪。在实验中，该方法在 4 个真实的体内扩散 MRI 数据集上展现了卓越的去噪性能，用临床相关的定量和定性指标进行评估。

    Feb, 2023

  • 预检查提高颅脑 MRI 自动转移病灶的检测

    用对比增强 T1 加权图像进行自动检测，结合预诊断 MRI 能显著减少假阳性结果，但是在对比增强 T1 加权图像之外加入其他序列对假阳性结果减少无明显影响。

    Mar, 2024

  • 使用 3D 深度密集连接神经网络的脑部 MRI 超分辨率

    本文提出了一种新的神经网络体系结构（3D Densely Connected Super-Resolution Networks），用于从单张低分辨率 MRI 图像中恢复高分辨率的脑部结构特征，实验表明该网络在还原 4 倍分辨率缩减图像方面优于双三次插值和其他深度学习方法。

    Jan, 2018

  • 使用生成对抗网络和三维多级密集连接网络实现高效准确的 MRI 超分辨率

    本篇论文提出了一种新的 3D 神经网络设计 —— 多级密集连接超分辨率网络（mDCSRN）结构，并进行了 3D 超分辨率重建应用的实验，结果表明在恢复 4x 分辨率降低的图像上，我们的新型神经网络结构比其他流行的深度学习方法性能更好和速度更快，并且具有促进现实输出的能力。

    Mar, 2018