Sep, 2023

NoSENSE: 无显式灵敏度图的学习展开心脏 MRI 重建

PDF
TL;DR通过深度卷积神经网络和算法展开，我们提出了一种新颖的学习图像重建方法，用于加速心脏 MRI，基于多个接收线圈，与许多现有的学习 MR 图像重建技术相比，我们的方法避免了明确的线圈灵敏度图（CSM）估计，并隐含地捕捉和学习了图像之间的不同线圈之间的关系。
learned image reconstructioncardiac mriconvolutional neural networkscoil-sensitivity map estimationcine track
发现论文，激发创造
  • 使用卷积循环网络和优化技术的心脏 MRI 重建

    研究提出了一种卷积递归神经网络（CRNN）架构，用于利用时间相关性在监督影像的心脏磁共振成像重建中。该模型结合了单图像超分辨率细化模块，相比于普通 CRNN 的实现，其在结构相似性和标准化均方误差方面，使单线圈重建提高了 4.4％和 3.9％。通过在 l1 损失中使用高通滤波器，可以更好地强调原始数据中缺失的高频细节，从而证明了该模型相较于基准案例的显著改进，并具有进一步提高心脏磁共振成像重建的潜力。

    Sep, 2023

  • Deep J-Sense: 通过展开交替优化来加速 MRI 重建

    使用深度学习方法 Deep J-Sense 重建磁共振成像图像，同时优化磁场核和线圈灵敏度图，进一步提高成像效果和鲁棒性。

    Mar, 2021

  • 深层级卷积神经网络级联重建 MR 图像

    通过卷积神经网络的深度级联，在 MRI 数据的欠采样下，提出了一种加速数据采集过程的图像重建框架，与现有的压缩感知方案相比，重建出来的图像具有更小的错误、更好的感知质量和更快的速度。该方法在保留解剖结构的同时，每张图片的重建速度能够达到 23 毫秒，足以实现实时应用。

    Mar, 2017

  • 用深度级联卷积神经网络重建动态磁共振成像

    通过深度学习生成卡式磁共振（MR）图像序列的方法，能够加速数据采集、提高图像清晰度，且在每张 2D 图像独立重建和序列帧联合重建方面均表现出优异的性能。

    Apr, 2017

  • 使用神经场进行加速心脏影像 MRI 的无监督重建

    提出了一种基于隐式神经场表征的非监督方法用于心脏心电影 MRI（所谓 NF-cMRI），该方法在体内进行了评估，对于 26 倍和 52 倍的欠采样黄金角度径向多线圈采集，实现了良好的图像质量和可比较的空间和改进的时间描述，优于先进的重建技术。

    Jul, 2023

  • 基于自监督深度降噪方法的单幅图像压缩感知磁共振成像

    本文提出了一种单图像自监督压缩感知磁共振成像框架，能够实现压缩感知估计的深度与稀疏正则化，有效降低结构化压缩感知伪影，提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估，平均峰值信噪比 (PSNR) 提高了 2-4dB。

    Nov, 2023

  • 用于扩散张量心脏 MRI 重建的随机深度压缩感知

    本文介绍了一种新的基于卷积神经网络的压缩感知技术，可以用于改善手段单一、等待时间长的 DT-CMR 采集方式的缺陷，从而更加准确地了解心脏的微观结构和组织，并为心脏疾病的治疗提供新的途径。

    May, 2018

  • 混合变分网络在加速 MRI 重建中的注意力机制

    该研究提出了一种基于深度学习的关注力混合变分网络，利用 k 空间和图像域进行学习，能够更好地重建磁共振成像，并在多项重建任务中取得了优异性能。

    Jun, 2023

  • CMRatt：一种基于注意力机制的加速心脏 MRI 重建方法

    通过在深度学习模型中引入注意力机制，本研究旨在探索在心脏磁共振重建问题中整合注意力机制的潜力。我们对多种最先进的空间和通道注意力机制进行了基准测试，并使用客观指标定量评估重建质量。受表现最佳的注意力机制的启发，我们提出了一个新的、简单而有效的注意力流水线，专门为心脏图像重建任务进行了优化，优于其他最先进的注意力方法。

    Apr, 2024

  • CMRxRecon：用于加速图像重建竞赛的开放式心脏核磁共振图像数据集

    通过发布一个包含来自 300 个受试者的多对比度、多视角、多切片和多线圈 CMR 成像数据的数据集，我们旨在通过引入标准化的评估标准并使数据集免费向研究社区开放来促进最先进的 CMR 图像重建的进展。

    Sep, 2023