通过深度学习方法提出了一种新的自适应动态 MRI 取样与重建框架,该方法根据个案特定的动态取样模式以及训练良好的 2D 动态重建网络,提高了重建质量。
Mar, 2024
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
本论文提出一种基于深度学习的无监督动态磁共振成像(MRI)重建算法,通过使用一个低维流形、一个映射流形的网络和一个卷积神经网络,可以重建高空间分辨率的连续动态 MRI 序列,并在数量和质量上优于现有方法。
Oct, 2019
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
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
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
利用深度学习方法恢复被欠采样数据的能力可以优化 kt-SENSE 采集策略并改善无门控 kt-SENSE 重建质量,本研究在真实数据上研究监督深度学习网络对 kt-SENSE 方式获得的数据进行重建的性能,发现多线圈数据直接进行训练可以提高模型性能,并在未采样数据上应用,但其对胎儿心脏的动态特性表现不佳,建议针对胎儿心脏应用进行更有针对性的训练和评估方法。
Aug, 2023
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
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
这篇论文提出了一种新颖高效的方法,结合深度学习和时空先验知识,可以显著降低高维数据处理的挑战,从而实现快速成像,并在心脏诊断中超过了现有方法,同时减少对训练数据的需求,达到高准确度的心脏分割。
Feb, 2024