Sep, 2023

基于矩阵补全的深度展开均衡模型在自监督 MRI k - 空间插值中的应用

PDF
TL;DR通过利用 $k$ 空间数据的固有结构低秩性实现神经网络结构的正则化，并将网络结构约束为非扩张映射，从而保证网络收敛于一个固定点。这个固定点可以根据矩阵完成理论完全重建缺失的 $k$ 空间数据，并在无全采样标签的情况下，验证了我们提出方法的有效性，并证明其在某些场景中表现优于现有的自我监督方法和传统的正则化方法，达到了与监督学习方法相当的性能。
regularization model-driven deep learningmriself-supervised dl approach$k$-space datamatrix completion theory
发现论文，激发创造
  • SelfCoLearn: 自我监督协作学习用于加速动态 MR 成像

    该论文提出了一种自我监督协作学习框架（SelfCoLearn），用于从不完整的 k - 空间数据准确地重建动态磁共振图像，该框架包括双网络协作学习、重新采样数据增强和特殊设计的共同训练损失三个重要的组件。在体内数据集上进行评估，结果表明，该方法具有从不完整的 k - 空间数据中捕获必要和固有表示以实现高质量和快速动态磁共振成像的强大能力。

    Aug, 2022

  • 基于深度学习的低采样 MRI 重建

    本文利用深度学习方法，通过对 k 空间数据进行次 - Nyquist 采样策略降维，来提高磁共振成像的速度，并提供了理由为什么该方法表现良好。通过在时间消耗方向上采用均匀子采样捕捉高分辨率图像信息，同时允许由 Poisson 求和公式指导的图像折叠问题。为了处理由图像折叠产生的定位不确定性，只添加了极少量的低频 k - 空间数据。大量的实验证明了该方法的显着性能表现，只需要用到 29% 的 k - 空间数据就可以像使用完全采样数据的标准 MRI 重建一样高效生成高质量的图像。

    Sep, 2017

  • K 波段：基于 K 空间子集的随机梯度下降的自监督 MRI 重建

    通过在有限分辨率数据上进行自监督训练来提供实验保证，并且在解决磁共振成像问题中达到了现有方法的性能水平。

    Aug, 2023

  • 无监督自适应隐式神经表示学习用于特定扫描的 MRI 重建

    我们提出了一种无监督的自适应粗到细框架，通过学习从多维坐标到相应信号强度的映射，有效调整监督信号的比例，从而改善过拟合问题并提高 MRI 重建的整体质量。

    Dec, 2023

  • 深度 MpMRI：张量分解正则化学习在快速高保真多参数显微结构磁共振成像中的应用

    提出了 DeepMpMRI，用于从不同扩散模型中使用稀疏采样的 q 空间数据快速高保真地估计多参数；实验证实了该方法在同时定量和定性地估计多参数映射方面相对于 5 种最先进方法的优越性和 4.5-22.5 倍加速

    May, 2024

  • 基于 k 空间深度学习的加速磁共振成像

    本文提出了一种基于深度学习的 k - 空间插值方法，该方法结合卷积神经网络和数据驱动框架，并且可以轻松应用于非 Cartesian k-space 轨迹。实验结果表明，该方法在压缩感知中具有较好的性能。

    May, 2018

  • 使用展开扩散模型的自监督 MRI 重建

    介绍了一种自监督深度 MRI 重建模型，名为 SSDiffRecon，该模型在使用不完整采样的 k 空间数据的情况下通过条件扩散过程实现了快速和高质量的图像重建。

    Jun, 2023

  • JSSL: MRI 重建的联合监督与自监督学习

    该研究提出了一种名为 JSSL（联合监督和自监督学习）的深度学习方法，用于在目标数据集不完全采样的情况下，通过同时利用代理数据集和目标数据集，提高 MRI 重构的质量。实验证明，JSSL 方法相较于传统的自监督训练方法有了明显的改进，从而凸显了该联合方法的有效性。

    Nov, 2023

  • 利用物理知识的神经网络学习最优 K 空间采集与重建

    该研究提出了一种优化框架，通过使用神经 ODE 将 k 空间采样视为一个普通微分方程问题来学习 k 空间采样轨迹，并展示了该方法比笛卡尔和非笛卡尔采集中的传统下采样方案具有更好的成像质量和重建性能

    Apr, 2022

  • 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