Nov, 2023

体积重建解决静态和动态 PROPELLER 磁共振成像的离磁共鸣伪影

PDF
TL;DR通过将 2D MRI 重建问题升级为 3D，引入额外的 “频谱” 维度来解决磁共振成像中的离谱伪影问题，并成功重建静态和动态 MR 图像以及分离脂肪和水，从而改善图像的诊断质量。
off-resonance artifactsmri reconstructionspectral dimensionfat and water separationpropeller mri
发现论文，激发创造
  • PILOT: 物理信息学习优化轨迹用于加速 MRI

    探讨了 MRI 扫描加速和重建的优化方案，提出使用深度学习和 k 空间轨迹的联合方案，用于同时优化数据获取的时间效率和图像重建的质量，并证明其对于图像重建和分割任务，具有显著的加速因素和质量改进。

    Sep, 2019

  • 动态 MRI 重建中的稳健深度线性误差分解：双重总变差和核范数

    本文提出了一种新的鲁棒低秩动态磁共振成像重建优化模型，通过高度欠采样和离散傅里叶变换（DFT），通过添加线性图像域误差分析，减少了噪声并增强了算法的抗干扰能力，在动态磁共振成像序列的空时特征和不同维度之间的互补关系上利用双重总变差（TV）和双重核范数（NN）正则化，实现了多维数据的重建精度和时间复杂度上的优于当前五种最先进方法的性能。

    Oct, 2023

  • 多光谱磁共振波谱成像中基于压缩感知的物质动态时空重建

    通过压缩感知（CS）和基于物质基本光谱的部分可分模型，我们提出了一种新方法来从随机欠采样的多光谱磁共振波谱成像（MRSI）数据中重建物质的时空分布。我们利用空时稀疏性和时间平滑性作为先验知识执行 CS，实验结果表明我们的方法能够以极短的时间分辨率重建物质的时空分布，预期对揭示磁共振波谱成像数据中的物质动力学起到重要作用。

    Mar, 2024

  • 基于 ADMM 的深度心脏 MRI 重建

    心脏核磁共振成像技术是一种有价值的非侵入性工具，用于识别心血管疾病，并通过基于深度学习的加速重建方法，提高动态心脏成像的重建质量和准确性。

    Oct, 2023

  • 基于时间的深度图像先验用于动态磁共振成像

    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

  • MomentaMorph：无监督的 Momenta、Shooting 和 Correction 的时空配准

    综合上述研究，我们提出了一种新的 “动量、射击和修正” 框架，用于在存在重复模式和大运动的情况下进行拉格朗日运动估计，能够在大运动和重复模式中准确、密集和可微分地估计 2D/3D 运动场。

    Aug, 2023

  • GuidedRec: 引导无监督体积恢复

    我们介绍了一种新颖的无监督方法，可以从仅有的两个平面投影中重建三维体积，利用了先前捕获的病人的三维体积。我们展示了如何使用体积结构的生成模型来约束变形并获得正确的估计结果，同时还能适用于新的传感器校准而无需重新训练。通过在具有挑战性的数据集上进行评估，我们证明了我们的方法优于现有方法。因此，我们的方法可以在手术和放射治疗等治疗场景中使用，同时显著减少患者的辐射暴露。

    May, 2024

  • 具有 2D 监督的生物医学图像超分辨率

    通过利用高分辨率 2D 显微镜数据，我们引入了用于超分辨率的遮蔽切片扩散（MSDSR）方法，该方法克服了传统方法在不同方向上的依赖性，并增强了体积生物医学显微镜检测的质量、分辨率，以及应用于临床诊断和生物医学研究中的障碍。

    Apr, 2024

  • 基于解耦动态与形状模型的四维心肌重建

    提出了一种利用 4D 重建方法进行心肌形态和运动状态估计的方法，通过解耦动作和形状，预测限制切片获得的稀疏点云序列的内部 / 间接形状和运动估计。

    Aug, 2023

  • 自动对焦 +: 磁共振成像中噪声鲁棒运动校正

    本研究提出了一种基于神经网络的正则化项来增强自动对焦的方法，以解决 MRI 中由运动造成的图像失真问题，并通过使用合成和真实噪声数据验证其有效性，表明该方法对噪声和解剖结构变化具有鲁棒性，优于现有的降噪方法。

    Mar, 2022