Oct, 2023

JSMoCo：采用自校准基于评分的扩散模型实现并行 MRI 中的线圈敏感度和运动校正

PDF
TL;DR本研究提出了一种称为 JSMoCo 的方法，能够从稀疏采样的 k 空间数据中准确估计运动参数和线圈敏感度图，有效缓解磁共振成像重建中的运动相关挑战。
magnetic resonance imagingmotion artifactscoil sensitivity mapsjsmocosparsely-sampled k-space data
发现论文，激发创造
  • IMJENSE：并行磁共振成像中联合线圈灵敏度和图像估计的扫描特定隐式表示

    并行成像是一种常用的技术，用于加速磁共振成像（MRI）数据采集。本研究介绍了 IMJENSE，一种基于扫描特定的隐式神经表示方法，用于改善并行 MRI 重建。通过利用内部信息和部分采集数据的物理特性来生成所需对象，IMJENSE 采用连续表示和 MRI 图像、线圈灵敏度的联合估计，优于传统的图像或 k 空间域重建算法，具有更好的稳定性和高质量的重建结果，为进一步加速并行 MRI 数据采集提供潜力。

    Nov, 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

  • 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

  • 联合扩散：PET-MRI 协同重建的相互一致驱动扩散模型

    该研究提出了一种新的 PET-MRI 联合重建模型，名为 MC-Diffusion，利用互补信息学习 PET 和 MRI 的联合概率分布，加速 MRI 并提高 PET 图像质量，实验证明 MC-Diffusion 在 ADNI 数据集上取得了显著的定性和定量改进，超过了现有方法。

    Nov, 2023

  • 高级脑 MRI 的 SISMIK: 基于深度学习的运动估计和基于模型的 k 空间运动校正

    通过回顾性方法结合深度神经网络和模型驱动的方法用于脑部常规二维自旋回波扫描图像中的平面刚体运动量化和校正，该方法能够有效估计高空间频率的运动参数并重建退化图像。

    Dec, 2023

  • IM-MoCo: 使用运动引导的隐式神经表示的自监督磁共振成像运动校正

    本研究中，我们提出了一种基于实例的运动校正流程，利用运动引导的隐式神经表示来减轻运动伪影对解剖结构的影响，通过使用 NYU fastMRI 数据集对不同程度模拟的运动严重性进行评估，纯粹的校正方法可以将结构相似性指标（SSIM）提高 5％，峰值信噪比（PSNR）提高 5 dB，以及 HaarPSI 提高 14％，在随后的实验中，我们的方法相对于受运动干扰的图像，至少可以将分类准确度提高 1.5 个百分点以上。

    Jul, 2024

  • NoSENSE: 无显式灵敏度图的学习展开心脏 MRI 重建

    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。

    Sep, 2023

  • 可微分的基于评分的似然函数：从清晰图像中学习 CT 运动补偿

    通过训练概率密度评估模型，我们证明了 CT 图像中的似然性可以作为运动伪影严重程度的替代指标，并通过最大化似然性优化运动参数，有效减少运动伪影，使图像更接近无运动扫描的分布。

    Apr, 2024

  • 使用弱监督联合卷积稀疏编码进行三维医学图像的同时超分辨率和跨模态合成

    该论文提出了一种利用少量已注册的多模态图像对进行弱监督联合稀疏编码，从低分辨率单模态图像中生成高分辨率多模态图像的方法，并通过最大均值偏差项结合未配对数据来提高联合字典的学习质量，本文实验证明，该方法在超分辨率重建和同时进行超分辨率和跨模态综合方面优于现有技术。

    May, 2017

  • 3D 脑 MRI 联合图像去噪与运动伪影校正的迭代学习

    提出了一种通过迭代学习处理带有运动伪影的噪声 MRI 的联合图像去噪和伪影校正框架，包括自适应去噪模型和抗伪影模型，并在公共数据集和临床研究中得到了实验证明其在去噪和运动伪影校正两个任务中的有效性。

    Mar, 2024