Nov, 2023

应用仿真技术对 T2 Flair MR 图像进行采集漂移模拟，压力测试 AI 分割网络

PDF
TL;DR为常规神经影像测试数据提供一种模拟框架，以对抗在临床实践中常见的 T2 加权 FLAIR 磁共振成像协议中常发生的采集漂移，从而对深度分割网络进行 “压力测试”；通过模拟磁共振信号方程的 “采集漂移导数” 来模拟 MR 图像的获取变化，并通过真实 MR 扫描验证生成的图像，使用最先进的 MS 病变分割网络进行示例压力测试，以探索描述 F1 得分与序列参数回波时间（TE）和倒转时间（TI）之间依赖关系的通用模型函数。
发现论文，激发创造
  • 探索基于深度学习的脑 MRI 到 CT 合成中的对比度泛化

    研究领域：通过深度学习及领域随机化技术生成高质量头部合成计算机断层扫描图像，提高医疗影像辅助治疗的精度。

    Mar, 2023

  • 基于随机图像质量转移的低场磁共振图像增强

    本研究提出了一种名为影像质量转移（IQT）的方法，通过建立低场成像与高场成像之间的关联来增强低场结构性 MRI 图像的对比度和分辨率。结果表明，IQT 增强的图像有望提高低资源环境下低场 MRI 的诊断效果。

    Apr, 2023

  • 物理学知识卷积神经网络生成具有通用性的合成磁共振图像

    本研究开发了一种基于物理知识的深度学习方法来合成多种脑部磁共振成像（MRI）对比度，从而加速神经影像处理，并研究了该方法的泛化能力，该方法能够将五分钟的扫描数据合成为四种标准对比度，并且具有良好的泛化性能适用于加速神经影像处理的协议。

    May, 2023

  • 基于参考的 MRI

    本文介绍了一种利用参考图像的快速 MRI 方法，通过迭代重构的方式实现在多种临床 MRI 成像场景中的应用，并在高分辨率脑部 MRI、快速 FLAIR 扫描和快速随访扫描等情况下取得了优于现有方法的重构效果。

    Aug, 2015

  • 快速跨模态 MRI 重建的空间与模态最优传输

    本文通过引入辅助模态 (T1WI) 加速获取 T2WI，实现 T2WI 重建并建立跨模态合成任务来提高 T2WI 重建准确度。

    May, 2023

  • 多轴融合增强 MR 图像转换中的不确定性估计

    我们提出了一种新的模型不确定性量化方法 MAF，该方法依赖于从体积图像数据的多个视图中获得的互补信息的集成，应用于 3D 医学图像到图像转换的认知不确定性估计，并在合成对比增强的 T1 加权影像上应用。

    Nov, 2023

  • 基于仿真伪影的迁移学习方法的临床数据仓库中脑部 T1 加权 MRI 自动质量评估

    使用迁移学习方法，本研究提出了一种创新的方案，通过模拟图像伪影，自动进行临床数据仓库中三维梯度回波 T1 加权脑部 MRI 图像的质量控制，达到了优秀的识别质量差的 MRI 图像的结果，对中等质量的 MRI 图像也取得了令人满意的表现，为充分利用临床数据仓库中的 MRI 图像提供了有价值的工具。

    Jun, 2024

  • 从 3T 采集合成 7T MRI

    用监督深度学习技术可以从 3T MRI 输入生成合成的 7T MRI。本文介绍了多种基于自定义变体的 V-Net 卷积神经网络的 7T 合成算法。我们证明基于 V-Net 模型在增强单点和多点 MRI 数据集方面的性能优于现有基准模型。我们的模型在训练了 8 个轻微创伤性脑损伤（TBI）患者的 3T-7T MRI 对后，在合成 7T 方面实现了最先进的性能。与以前的研究相比，我们的管道生成的合成 7T 图像还显示了对病理组织的优越增强效果。此外，我们还实施和测试了一种对输入分布变化具有鲁棒性的模型训练数据增强方案。这使合成的 7T 模型能够适应多中心数据集中的扫描仪内部和跨扫描仪的变异性。在包括健康受试者和轻微 TBI 患者的两个机构的 18 对 3T-7T MRI 数据集上，我们的模型保持其性能，并能在分辨率较低的 3T MRI 输入上泛化。我们的发现证明了基于 V-Net 模型在 MRI 增强方面的潜力，并为增强合成 7T 模型的泛化能力进行了初步探索。

    Mar, 2024

  • 深度学习：从低场强到高场强 MR 的图像质量传递与概率下采样模拟器

    该研究采用图像质量转移（IQT）的方法，提高低场（<1T）扫描的结构 MRI 图像的分辨率、空间覆盖度和对比度，通过引入概率减采样模型，增强模型的鲁棒性，并设计了一种 U-net 架构的变种，在亚非地区低场 MRI 诊断癫痫的应用中取得了良好的效果。

    Sep, 2019

  • 联合磁共振序列优化在自旋回波磁共振成像超分辨率方面的效果优于纯神经网络方法

    针对超分辨率 MRI 在 TSE 序列中应用的限制，我们提出了一种基于通信电磁物理的方法，在优化 MR 序列和神经网络参数的同时进行 SR-TSE 图像的超分辨率重建，实验结果表明相比单纯的神经网络训练方法，我们的方法实现了更好的图像重建效果。

    May, 2023