Nov, 2023

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

PDF
TL;DR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。
parallel imagingmri reconstructionimplicit neural representationimjensedata acquisition
发现论文，激发创造
  • 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

  • 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

  • MRI 并行重建的批量隐式神经表示

    基于隐式神经表示的 MRI 重建方法通过引入嵌入尺度的编码器和多层感知机 (MLP) 实现了对完全采样的 MRI 图像进行任意尺度的重建，相比其他重建方法，在公开 MRI 数据集上表现出更好的性能。

    Sep, 2023

  • 深度学习方法用于平行磁共振图像重建

    介绍了基于神经网络的机器学习技术在 Magnetic Resonance Imaging（MRI）领域的应用以及针对当前加速 MRI 主流的多线圈信息的补充与研究，覆盖线性和非线性方法，探讨了引入改进正则化器的图像域方法以及基于神经网络的更好插值策略的 k 空间方法，讨论了相关问题和未解决的问题和近期为社区制定开放数据集和基准的努力。

    Apr, 2019

  • 鲁棒联合稀疏视图 CT 重建的隐式神经表示

    通过联合表示以及贝叶斯框架，改进了计算机断层扫描（Computed Tomography）重建质量，实验表明明显提高了重建方法。

    May, 2024

  • GrappaNet: 将平行成像与深度学习相结合用于多线圈 MRI 重构

    本文介绍了一种新型方法 GrappaNet 通过深度神经网络集成传统的并行成像方法，能够在高加速因子下生成高质量的重建，实验证明在 FastMRI 数据集中与竞争方法相比，GrappaNet 可以生成更高质量的重建，加快 MRI 的数据获取速度。

    Oct, 2019

  • 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

    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。

    Oct, 2023

  • 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

  • PARCEL: 多线圈 MR 成像的基于物理的无监督对比度表示学习

    为了解决神经网络模型解释性不足、训练数据有限的问题，本文提出了一种基于物理学的无监督对比表示学习方法 (PARCEL)，通过两个网络的对比学习实现 MRI 图像的高精度重建。结果表明，PARCEL 方法能够实现准确的 MRI 重建而不依赖于全采样数据集。

    Feb, 2022

  • 端到端变分网络用于加速 MRI 重建

    MRI 速度慢的问题得到了通过多视图采集和少量样本采集的两种方法的互补。本文介绍了一种新方法，采用学习完全端到端的方式扩展了先前提出的变分方法。在 fastMRI 数据集上，我们的方法获得了新的最先进的结果，适用于脑部和膝盖的 MRI。

    Apr, 2020